生命是一种计算形式吗？
图灵与冯·诺伊曼预言生命即计算。从自复制机器到神经元胞自动机，生物的随机并行逻辑启发现代AI。探索DNA程序与像素生命的奇妙交汇，揭示宇宙中最精妙的自复制之谜。
在图灵和冯·诺伊曼的眼中，生命的逻辑与代码的逻辑或许本就是一体。早在上世纪中叶，他们就预见到了这一点。1994年，一台像素化的奇异机器在电脑屏幕上苏醒。它读取一串指令，复制它们，然后建造出一个自己的克隆体，正如冯·诺伊曼半个世纪前所预言的那样。这场演示震撼人心，揭示了一个深刻的念头：生命的核心，或许就是一种计算。
冯·诺伊曼很少被人们充分铭记，但他却是最早将生命与计算紧密相连的先驱之一。他证明，繁殖就像计算一样，可以由机器通过编码指令来完成。他的模型基于图灵的通用机器，自复制系统读取并执行指令的方式，与DNA别无二致。比如，如果下一个指令是密码子CGA，那么就往正在构建的蛋白质中添加一个精氨酸。称DNA为“程序”绝非比喻，它就是字面意义上的程序。
当然，生物计算与你手机里的数字计算大相径庭。DNA精妙而多层，涉及表观遗传和基因邻近效应等现象。而且，细胞里的DNA远非故事全貌，我们的身体里充斥着无数细菌和病毒，它们各自运转着自己的代码，不断进出。
生物计算是大规模并行的、分散的，还带着一丝杂音。你的细胞中大约有300万亿个核糖体，同时开工。这些精致的蛋白质工厂像漂浮的小型计算机，虽然是随机的，不完全可预测。铰链部件的摆动，小分子的捕捉与释放，化学键的操控，都充满随机、 可逆和不精确的元素，受热运动的推搡左右。只有统计上的不对称才偏向某个方向，而巧妙的折纸式动作会“锁定”某些步骤，让下一步更可能发生。
想想看，这与电脑里的逻辑门天差地别。逻辑门是基本元件，用固定规则处理二进制输入输出，不可逆转，且设计得可靠到99.99%。但生物计算仍是计算，而且它的随机性是优势而非缺陷。事实上，许多经典计算机算法也依赖随机性，这或许解释了为什么图灵在1951年设计Ferranti Mark I时，坚持加入随机数指令。随机性不过是图灵机的一个小小概念扩展，任何电脑都能通过计算伪随机数来模拟它。
如今，并行性也成了计算的核心。现代AI就离不开大规模并行和随机，比如训练神经网络的随机梯度下降算法、聊天机器人里的温度设置引入的随机输出，以及数据中心里驱动AI的图形处理单元的并行力量。
传统数字计算依赖集中式的顺序执行，这源于技术瓶颈。早期电脑用最少零件完成漫长计算，那些零件是易坏的昂贵真空管，常烧坏需手工更换。于是，自然而然地诞生了最小化的中央处理器，从外部内存中运送比特序列。这就是著名的冯·诺伊曼架构。
不过，图灵和冯·诺伊曼都清楚，计算还有其他路径。图灵生命末期，钻研生物图案如豹斑如何从简单化学规则中浮现，他管这叫形态发生学。他的模型就是一种生物启发的海量并行分布式计算，早年的“无组织机器”概念——一个随机连接的神经网络，模拟婴儿大脑——也是如此。
这些构想描绘了无中央处理器计算的模样，而这正是活体系统的真实面貌。冯·诺伊曼早在1940年代就探索并行方法。在洛斯阿拉莫斯与波兰数学家斯坦尼斯瓦夫·乌拉姆的交谈中，他发明了“元胞自动机”：像素般的网格，每个简单计算单元遵守同一规则，只与邻居沟通，同时改变状态。他大胆到在纸上设计出自复制元胞自动机的关键部件，包括一条水平“磁带”承载指令，以及读取、复制和执行它们的细胞“电路”块。
设计元胞自动机远比普通编程棘手，因为每个细胞或像素同时改变自身和环境。加入生物式的随机和微妙反馈，就更难推理、编程或调试了。
即便如此，图灵和冯·诺伊曼洞察到本质：计算无需中央处理器、逻辑门、二进制算术或顺序程序。有无限种计算方式，而且它们全都等价。这就是理论计算机科学的最伟大成就之一。
这种“平台无关性”或“多重实现性”意味着任何电脑都能模拟另一台。但如果设计迥异，模拟可能慢如龟爬。正因如此，冯·诺伊曼的自复制元胞自动机从未实体建成——尽管亲眼瞧瞧会多有趣！
1994年的演示——首次成功模拟冯·诺伊曼自复制自动机——本不可能更早发生。一台串行电脑需强大算力，循环遍历6329个细胞，历经630亿时间步，方完成繁殖周期。屏幕上，它如宣传般运转：一个像素化的二维鲁布·戈德堡机器，蹲踞在145315细胞长的指令磁带上，向右延伸。它从磁带泵出信息，用“书写臂”缓缓在上方右측打印出一个运转中的克隆体。想象那场景：像素点点蠕动，像活物般伸展，缓慢却坚定地复制自我，宛若科幻小说跃然纸上。
同样，用串行电脑模拟并行神经网络效率低下，这是图灵“无组织机器”的继承者。因此，像Transformer聊天机器人里的巨型神经网，只有借助数字电脑的微型化、加速和并行进步，才最近变得可行。
2020年，我的同事亚历克斯·莫德文特塞夫将现代神经网、图灵的形态发生学和冯·诺伊曼的元胞自动机融合，创造出“神经元胞自动机”。它用神经网取代经典元胞自动机的简单像素规则，这个网能感知并影响局部形态原浓度值，能训练成“生长”任何图案或图像，不限于斑马条纹或豹斑。
真实细胞里没有神经网，但它们运行高度进化的、非线性且有目的的“程序”，根据外部刺激和内部状态决定行动。神经元胞自动机提供了一种通用模型，模拟细胞行为范围——不涉及移动，只改变状态(如颜色)和吸收或释放化学物质。
亚历克斯给我看的第一个神经元胞自动机是个蜥蜴表情符号，它不只再生尾巴，还能重生肢体和头部！这有力展示了复杂多细胞生命如何“局部思考却全局行动”，即使每个细胞(或像素)运行同一程序——就像你的每个细胞运行同一DNA。这些模拟揭示计算如何跨尺度产生类生命行为。从冯·诺伊曼的设计延伸到现代神经元胞自动机，它们窥探了活体系统的计算根基，让我们不禁感慨：生命，不过是这场永恒计算中的一环。
(摘要：图灵与冯·诺伊曼预言生命即计算。从自复制机器到神经元胞自动机，生物的随机并行逻辑启发现代AI。探索DNA程序与像素生命的奇妙交汇，揭示宇宙中最精妙的自复制之谜。字数：58)
### 标题：生命的算法：代码即生命，图灵与冯·诺依曼的惊人远见
### 摘要：
生命即计算？图灵与冯·诺依曼早就洞见，生命的逻辑与代码的逻辑或许同源。从DNA程序到细胞运作，万物都遵循着一种并行、分布式的计算法则，这一思想深刻地影响了我们对生命和人工智能的理解。
***
1994年，一个奇特的像素化机器在电脑屏幕上苏醒。它读取一串指令，复制它们，然后创造出一个自己的克隆体——这正是半个世纪前，匈牙利裔美国博学家 John von Neumann 所预言的景象。这次演示生动地证明了一个深刻的思想：生命，在其核心，可能就是一种计算。
尽管人们很少充分认识到这一点，但 John von Neumann 是最早在生命与计算之间建立深刻联系的先驱之一。他指出，繁殖和计算一样，都可以由机器遵循编码指令来完成。在他的模型中，自我复制系统读取并执行指令的方式，与DNA的工作原理如出一辙，这个模型建立在 Alan Turing 的通用机器之上。例如，“如果下一条指令是密码子CGA，那么就在正在构建的蛋白质上添加一个精氨酸”。因此，将DNA称为“程序”并非比喻，它确实如此。
当然，生物计算与个人电脑或智能手机进行的数字计算之间存在着显著差异。DNA的运作方式精妙而多层，包含了表观遗传学和基因邻近效应等复杂现象。而且，细胞内的DNA也远非故事的全部。我们的身体容纳着无数的细菌和病毒，它们各自运行着自己的代码，并与我们持续交换信息。
生物计算是“大规模并行”、去中心化且充满“噪音”的。你体内的细胞中大约有30万万亿个核糖体，所有这些都在同时工作。每一个核糖体都是一个极其复杂的漂浮蛋白质工厂，实际上也是一台微型计算机，尽管它是一台随机性计算机，意味着其行为并非完全可预测。铰链组件的运动、小分子的捕获与释放、化学键的操作，这些单个行为都是随机、可逆且不精确的，在持续的热冲击下摇摆不定。只有统计学上的不对称性才使得某个方向的反应优先于另一个，而一些精巧的折叠机制则倾向于“锁定”某些步骤，从而使下一步更有可能发生。
这与计算机中“逻辑门”的运作方式大相径庭。逻辑门是计算机的基本组件，它们根据固定的规则将二进制输入处理成输出，其过程是不可逆的，并且被设计得具有99.99%的可靠性和可重复性。然而，生物计算终究是一种计算，它对随机性的利用是一种特性，而非缺陷。事实上，计算机科学中的许多经典算法也需要随机性，尽管原因不同。这或许可以解释为什么 Alan Turing 在1951年坚持要在他帮助设计的早期计算机 Ferranti Mark I 中加入一个随机数指令。因此，随机性是对原始图灵机的一个虽小但重要的概念扩展，任何计算机都可以通过计算确定性但看起来随机的“伪随机数”来模拟它。
并行计算在今天也变得越来越重要。例如，现代人工智能就同时依赖于大规模并行和随机性，比如用于训练当今大多数神经网络的并行化“随机梯度下降”算法，聊天机器人中用于为其输出引入一定随机性的“温度”设置，以及为数据中心大部分AI提供动力的图形处理器(GPU)的并行处理能力。
依赖于指令的集中、顺序执行的传统数字计算，是技术限制的产物。第一代计算机需要用尽可能少的部件来执行冗长的计算。最初，这些部件是昂贵且不稳定的真空管，它们容易烧坏，需要频繁地手动更换。因此，最自然的设计便是一个最小化的“中央处理器”(CPU)，它对从外部存储器来回传输的比特序列进行操作。这后来被称为“冯·诺依曼架构”。
然而，Alan Turing 和 John von Neumann 都意识到，计算可以通过其他方式实现。在生命的最后阶段，Alan Turing 探索了像豹纹斑点这样的生物图案如何从简单的化学规则中产生，他将这个领域称为“形态发生”。Turing 的形态发生模型是一种受生物启发的、大规模并行的分布式计算形式。他早前提出的“无组织机器”概念也是如此，那是一个模仿婴儿大脑的、随机连接的神经网络。这些构想展示了没有中央处理器的计算可以是什么样子，以及它在生命系统中实际上是什么样子。
早在1940年代，John von Neumann 也开始探索大规模并行的计算方法。在洛斯阿拉莫斯与波兰数学家 Stanisław Ulam 的讨论中，他构想出了“细胞自动机”——一种由简单的计算单元组成的像素化网格，所有单元都遵守相同的规则，并仅通过与近邻通信来同时改变自身状态。John von newmann 甚至以他特有的魄力，在纸上设计出了一个自我复制细胞自动机的关键组件，包括一个包含指令的水平“磁带”状细胞带，以及用于读取、复制和执行这些指令的细胞“电路”块。
设计细胞自动机比普通编程要困难得多，因为每个细胞或“像素”都在同时改变自身状态及其环境。如果像生物学中那样加入随机性和微妙的反馈效应，那么对其进行推理、“编程”或“调试”就变得更加困难了。
尽管如此，Alan Turing 和 John von Neumann 抓住了一个根本性的问题：计算并不需要中央处理器、逻辑门、二进制算术或顺序程序。计算的方式有无数种，而至关重要的是，它们都是等效的。这一洞见是理论计算机科学最伟大的成就之一。
这种“平台无关性”或“多重可实现性”意味着任何计算机都可以模拟任何其他计算机。不过，如果计算机的设计不同，模拟过程可能会非常缓慢。因此，John von Neumann 的自我复制细胞自动机从未被物理地制造出来——尽管看到它会非常有趣！
1994年的那次演示——首次成功模拟 John von Neumann 的自我复制自动机——不可能发生得更早了。一台串行计算机需要强大的处理能力，才能在自动机完成其繁殖周期所需的630亿个时间步中，循环遍历其6329个细胞。在屏幕上，它如预期般工作：一个像素化的二维鲁布·戈德堡机械，蹲踞在一条向右延伸的、长达145315个细胞的指令带上，从带中泵出信息，并伸出一只“写入臂”，在原始机器的右上方缓慢地打印出一个可以工作的克隆体。
同样，让一台串行计算机去模拟一个并行神经网络——Alan Turing 的“无组织机器”的继承者——效率也极低。因此，运行像基于 Transformer 的聊天机器人中的大型神经网络，直到最近才变得可行，这得益于数字计算机在小型化、速度和并行化方面的持续进步。
2020年，我的同事 Alex Mordvintsev 将现代神经网络、Turing 的形态发生学和 John von Neumann 的细胞自动机结合起来，创造了“神经细胞自动机”(NCA)。他用一个神经网络取代了经典细胞自动机中简单的逐像素规则。这个网络能够感知并影响代表局部形态发生素浓度的几个数值，通过训练，它可以“生长”出任何期望的图案或图像，而不仅仅是斑马条纹或豹纹斑点。
真正的细胞内部并没有神经网络，但它们确实运行着高度进化、非线性且有目的性的“程序”，以根据外部刺激和内部状态来决定它们在世界中的行动。NCA 提供了一种通用的方式来模拟那些行为不涉及移动，而只涉及状态改变(这里用颜色表示)和化学物质吸收或释放的细胞可能表现出的行为范围。Alex 向我展示的第一个NCA是一个蜥蜴表情符号，它不仅能再生尾巴，还能再生四肢和头部！这有力地证明了复杂的多细胞生命如何能够“局部思考”却“全局行动”，即使每个细胞(或像素)都在运行相同的程序——就像你身体里的每个细胞都在运行相同的DNA一样。这类模拟展示了计算如何能够在不同尺度上产生逼真的生命行为。从 John von Neumann 的设计到现代的神经细胞自动机，这些工作让我们得以一窥生命系统计算基础的奥秘。
