几周前，我们观看了经济学家布赖恩·阿瑟（Brian Arthur）关于技术进化的模拟，他能够从简单的构建块（例如NAND门）开始，通过随机组合越来越有用的现有组件，进化出惊人复杂的电路（例如12路与门或4位加法器）。我们分析了这种方法作为简化搜索问题的一种方式：通过使用现有的、可以工作的组件作为模块，逐步组合成更复杂的模块，然后将这些模块组合成更复杂的模块，许多无前景和费时的搜索树分支被筛选掉，从而模拟可以在巨大的分支可能性中找到有用的技术。当然，真实的人类技术并不是通过随机组合组件并查看它们是否有用而生成的；这些模拟中的随机性仅仅是观察在不同条件下创建新技术的难易程度的一种方式。但生物技术——存在于地球上的各种生命形式，从显微镜下的单细胞生物到737同样大小的鲸鱼——也是由随机性产生的。进化通过不断收获基因变异的果实来构建生物技术，这些变异通常由随机突变引起，选择适应性最强的生物体将它们的基因传递到未来。经过数十亿年的时间，这一过程可以产生极为复杂的生物系统。有趣的是，生物进化使用了一种与阿瑟的电路模拟非常相似的技巧。通过在基因层面利用模块化，生物体群体可以加快有用的基因变异在群体中的传播速度，有效地提升信息获取的速度。性繁殖以及其他分享遗传物质的方式，如水平基因转移，基本上就是这样做的机制。我们可以通过一些简单的模拟来演示这一点。生物体 reproducing的最简单方式是无性繁殖，其中一个父母会产生一个自己基因的复制体。简单的单细胞生物，例如，通过细胞分裂繁殖，分裂成两个或多个“孩子”，每个孩子的基因与原始父母相同。但孩子并不一定是父母的完全复制品。由于基因突变，在分裂过程中，一些基因可能会随机改变，产生具有稍微不同基因的孩子。在某些情况下，这些突变可能是有用的，提供额外的功能，例如抗生素耐药性，从而提高存活和繁殖的几率。由于这些有益突变对生物适应性的贡献，随着时间的推移，这些有益突变在群体中的出现频率会越来越高。我们可以通过一个简单的模拟来说明这一点。在我们的模拟中，我们以100个生物体的种群开始，每个生物体都有200个独立基因的基因组。一个基因可以是1（“好的”版本的基因）或0（“坏的”版本的基因）。初始种群是随机的，每个生物体大约有50-50的好基因和坏基因。每次迭代模拟中，每个生物体会产生两个孩子。一个孩子复制父母的基因，但由于突变，每个基因都有0.2%的机会被翻转，从1变成0或反之。选择最适应的100个孩子（在我们的简化模型中，适应性只是每个基因值的总和，因为1是该基因的“好”版本）继续下一代，循环重复。这与进化的实际功能相比是一种简化——首先，它将基因视为独立贡献适应性，忽视了一个基因的适应性值通常依赖于其他基因的事实——但足以展示一些正在发挥作用的动态。当我们运行这个模拟时，随着适应性较强的后代优于适应性较弱的后代，种群中“好”基因的比例在不断上升。根据突变率，种群最终可能达到200的最大适应性，或在某个较低的水平上停滞。这种策略的问题在于——产生作为单一父母吵闹复制品的孩子，并单靠随机突变作为遗传变异来源——是，一旦你达到了以上平均的适应性，突变通常会在平均水平上是负面影响。如果一个基因组有比0s多的1s，随机变化更可能将1变为0，而不是将0变为1。因此，对于适应性高于平均水平的父母，其子代的适应性在平均上会较低。由于突变是随机的，尽管如此也会存在变异，有些孩子的适应性会高于他们的父母。并且，因为每次迭代选择淘汰适应性最低的个体，被选中孩子的适应性平均会高于他们的父母，从而使得平均适应性随着时间的推移而增加。