The future of Genetic Programming

(http://antbsd.twbbs.org/~ant/wordpress/?p=77, February 16th, 2006)

Darin Molnar 描述了自己對 Genetic Programming(基因規劃) 的長景。 [原文在此]

我摘一些重點加上自己對 GP 的見解：

傳統的程式設計就像精美的工業設計一樣，完全依照我們的想象進行著，該做什麼，怎麼做，都條理分明，按步就班。

作者指出，Koza 基於「程式在未明確設計的情形下，如何學習去解決問題？」的好奇心，而發展了 GP。換句話說，就是「電腦在未明確告訴它如何做的情形下，就能夠自己完成它應該做的事」。

Darwin’s Dilemma (達爾文的難題)

為了尋求答案，電腦科學家自然而然希望向神奇的大自然借鏡，以得到啟發。最顯著的學習標的，自然就是「達爾文的演化論」。

作者也提出了達爾文演化論的四項遵守原則：

1. Entities can, and do, reproduce,
2. Several entities form a population,
3. Variety exists in the population among the entities, and
4. Some entities in the population can survive in the environment better than others. When these conditions are met, a population is actively engaged in the evolutionary process.

若希望借鏡演化論的精神，程式設計就必須含蓋此四項原則。

作者也指出，GP 相對於 Genetic Algorithm(基因演算法) 而言，提供更複雜的結構，使用更普遍與階層架構，展現程式大小與形式的彈性。GP 的主要目的是要在所有問題域空間(problem space)中找出最適的解。

的確，很多人認為 AI 的工具，充滿不確定性，並且懷疑其正確性。為何同樣的問題會有不同的解？在真實世界中，要找到最佳解有幾項要點：1. 考慮全部影響因子；2. 有限時間；3. 動態環境。

首先，數理統計常常搜集許多因子 (factors) 來進行分析，但往往有太多的因子，以致於無法搜集齊全，甚至有些重要因子尚待發現。第二點，有時問題域太大，在有限時間內是不可能找到最佳解，有些問題甚 至需要宇宙長的時間來解。最後，這個世界是動態的，此時的最佳解未必是下一秒的最佳解，有時許多因子的互相影響性，以致於無法用傳統數學來評估。

所以，很多 AI (包括 GA、GP) 工具都在追求「最適解」。最適解有可能就是最佳解，雖然無法保證，但至少最適解是我們可以接受的一個答案。就如我們日常生活中，整理東西或安排行程，往往不一定是要追求最佳解，而只是要我們能夠接受的結果就可以了。

Garbage In, Garbage Out?

有很多人認為現今的 AI 工具都是垃圾進，垃圾出。的確，以目前的技術而言，仍然有許多因子是人工加入或限制的，並非完全由程式自行發展。若以 GP 的最終精神而言，就是「GP 設計軟體的原則，就是程式本身」，而非人工。如果有良好的 GP 引擎設計，以及最低的人工限制，那麼就根本沒有所謂的垃圾進，垃圾出的問題。

作者最後指出，Koza 的精神與 Bill Gates 不謀而合，這代表著素未謀面的兩位大師有同一願景，的確是一個值得注意的現象。另外 Bill Gates 說：「”The next big advance in computer programming will be the development of programs that write themselves.”」，以及他投入的大量研究資金。種種原因，使得作者非常看好 GP 的未來前景。(作者認為他所研究的 AI 工具中，GP 是最優秀的)