我们提出，生命的连续性及其演变来自称为合身生存的互动群体过程。该过程取代了达尔文人的个人斗争和适合生存理论，这是进化的主要机制。在这里，我们提出，自然过程与计算机自动编码功能相关。自动编码是一种机器学习技术，用于提取输入数据基本特征的紧凑表示。通过自动编码降低维度性，建立一个代码，该代码能够基于解码相关数据的各种应用程序。我们确定以下几点：（1）我们通过其物种相互作用代码定义一个物种，该物种由该物种与其外部环境和内部环境的基本核心相互作用组成；核心相互作用由包括分子细胞 - 生物在内的多尺度网络编码。 （2）通过可持续变化的物种相互作用代码进行进化；这些变化的代码既反映和构建物种环境。物种的生存是通过我们称为自然自动编码的内容来计算的：输入相互作用的阵列会产生物种代码，该代码通过解码为持续生态系统相互作用的网络而生存。 DNA只是天然自动编码的一个元素。 （3）自然自动编码和人工自动编码过程明确定义了相似性和差异。天然自动编码的生存为进化机理提供了新的启示，并解释了为什么可居住的生物圈需要多样化的拟合组相互作用。

克里斯·兰顿（Chris Langton）所阐明的人工生命研究的目标是“通过将生活与我们的生活定位在更大的生活中，为理论生物学做出贡献.1）。人工进化系统中对开放式进化的研究和追求证明了这一目标。但是，开放式进化研究受到两个基本问题的阻碍。在人工进化系统中复制开放式的斗争，以及我们只有一个系统（遗传进化）来汲取灵感的事实。在这里，我们认为，文化进化不仅应视为开放式进化系统的另一个现实世界的例子，而且文化进化中看到的独特品质为我们提供了一个新的观点，我们可以从中评估，我们可以评估，我们可以评估，这是我们可以评估的基本属性。并询问有关开放式进化系统的新问题，尤其是关于发展的开放性和从边界到无限进化的过渡。在这里，我们提供了文化作为进化系统的概述，强调了人类文化进化为开放式进化系统的有趣案例，并在（进化）开放式进化的框架下将文化进化化。我们继续提供一组新问题，一旦我们考虑了开放式演变框架内的文化演变，并引入了新见解，我们可能会因为询问这些信息而获得有关进化的开放性的新见解。问题。

混合微生物群落通常由各种细菌和真菌物种组成，在从土壤到人类肠道和皮肤的众多环境中都是基础。它们的演变是相互交织的动态的一个范式例子，不仅物种之间的关系起作用，而且每个物种都向其他物种展示的机会（可能是可能的伤害）。这些机会实际上是\ textit {provryances}，可以通过可遗传的变化和选择来抓住。在本文中，从混合微生物群落的系统性角度开始，我们着重于提供在进化中的关键作用，并将其与程序和机器人的人工演变进行对比。我们坚持认为，这两个领域是整齐的分离，因为自然演变以完全开放的方式扩展了其可能性的空间，而后者本质上受到定义的算法框架的固有限制。这种差异也表征了一个设想的设置，在物理世界中，机器人在其中发展。我们提出了支持我们主张的论点，并提出了一个用于评估陈述的实验环境。这项贡献的目的不仅仅是讨论机器人工演变的局限性，而是强调生物圈进化的巨大潜力，以微生物社区的发展为精美。

Artificial Intelligence (AI) and Machine Learning (ML) are weaving their way into the fabric of society, where they are playing a crucial role in numerous facets of our lives. As we witness the increased deployment of AI and ML in various types of devices, we benefit from their use into energy-efficient algorithms for low powered devices. In this paper, we investigate a scale and medium that is far smaller than conventional devices as we move towards molecular systems that can be utilized to perform machine learning functions, i.e., Molecular Machine Learning (MML). Fundamental to the operation of MML is the transport, processing, and interpretation of information propagated by molecules through chemical reactions. We begin by reviewing the current approaches that have been developed for MML, before we move towards potential new directions that rely on gene regulatory networks inside biological organisms as well as their population interactions to create neural networks. We then investigate mechanisms for training machine learning structures in biological cells based on calcium signaling and demonstrate their application to build an Analog to Digital Converter (ADC). Lastly, we look at potential future directions as well as challenges that this area could solve.

The applicability of computational models to the biological world is an active topic of debate. We argue that a useful path forward results from abandoning hard boundaries between categories and adopting an observer-dependent, pragmatic view. Such a view dissolves the contingent dichotomies driven by human cognitive biases (e.g., tendency to oversimplify) and prior technological limitations in favor of a more continuous, gradualist view necessitated by the study of evolution, developmental biology, and intelligent machines. Efforts to re-shape living systems for biomedical or bioengineering purposes require prediction and control of their function at multiple scales. This is challenging for many reasons, one of which is that living systems perform multiple functions in the same place at the same time. We refer to this as "polycomputing" - the ability of the same substrate to simultaneously compute different things. This ability is an important way in which living things are a kind of computer, but not the familiar, linear, deterministic kind; rather, living things are computers in the broad sense of computational materials as reported in the rapidly-growing physical computing literature. We argue that an observer-centered framework for the computations performed by evolved and designed systems will improve the understanding of meso-scale events, as it has already done at quantum and relativistic scales. Here, we review examples of biological and technological polycomputing, and develop the idea that overloading of different functions on the same hardware is an important design principle that helps understand and build both evolved and designed systems. Learning to hack existing polycomputing substrates, as well as evolve and design new ones, will have massive impacts on regenerative medicine, robotics, and computer engineering.

2021年8月，圣达菲研究所举办了一个关于集体智力的研讨会，是智力项目基础的一部分。该项目旨在通过促进智能性质的跨学科研究来推进人工智能领域。该研讨会汇集了计算机科学家，生物学家，哲学家，社会科学家和其他人，以分享他们对多种代理人之间的互动产生的洞察力的见解 - 是否这些代理商是机器，动物或人类。在本报告中，我们总结了每个会谈和随后的讨论。我们还借出了许多关键主题，并确定未来研究的重要前沿。

人工智能的象征主义，联系主义和行为主义方法在各种任务中取得了很多成功，而我们仍然没有对社区中达成足够共识的“智能”的明确定义（尽管有70多个不同的“版本”的“版本”定义）。智力的本质仍然处于黑暗状态。在这项工作中，我们不采用这三种传统方法中的任何一种，而是试图确定智力本质的某些基本方面，并构建一种数学模型来代表和潜在地重现这些基本方面。我们首先强调定义讨论范围和调查粒度的重要性。我们仔细比较了人工智能，并定性地展示了信息抽象过程，我们建议这是联系感知和认知的关键。然后，我们提出了“概念”的更广泛的概念，将自我模型的概念从世界模型中分离出来，并构建了一种称为世界自我模型（WSM）的新模型。我们展示了创建和连接概念的机制，以及WSM如何接收，处理和输出有关解决的问题的信息的流程。我们还考虑并讨论了所提出的理论框架的潜在计算机实施问题，最后我们提出了一个基于WSM的统一智能一般框架。

在过去的几年中，计算机视觉的显着进步总的来说是归因于深度学习，这是由于大量标记数据的可用性所推动的，并与GPU范式的爆炸性增长配对。在订阅这一观点的同时，本书批评了该领域中所谓的科学进步，并在基于信息的自然法则的框架内提出了对愿景的调查。具体而言，目前的作品提出了有关视觉的基本问题，这些问题尚未被理解，引导读者走上了一个由新颖挑战引起的与机器学习基础共鸣的旅程。中心论点是，要深入了解视觉计算过程，有必要超越通用机器学习算法的应用，而要专注于考虑到视觉信号的时空性质的适当学习理论。

在过去的工作中，我们开发了一个基于Conway的生活游戏的共生实体（Model-S）演变的计算模型。在本文中，我们研究了三个趋势，即生物学家在共生的演变中观察到。 （1）管理：如果一个合作伙伴能够控制共生关系，则该控制可以减少冲突;因此，进化选择有利于有经理的辛酸人。 （2）共同主义：虽然共生的合作伙伴往往具有相互冲突的需求，但进化选择有利于伴侣之间的合作。 （3）相互作用：共生中的合作伙伴中的反复互动趋于促进进化选择引起的越来越容易。我们向Model-S添加了仪器，允许我们进行详细的测量，以了解在模拟中可以观察到三种趋势。当我们通过它的儿童人数来衡量一个合作伙伴的健身时，我们发现Fitter Symbiotes的管理，相互主义和互动比不那么贴合的共生体。这些结果证实了生物学家本质上观察到的趋势。 Model-S允许生物学家以不具有生物体的方式研究这些进化趋势和共生的其他特征。

我们为大脑和行为提供了一般的理论框架，这些框架是进化的和计算方式。我们抽象模型中的大脑是一个节点和边缘网络。虽然它与标准神经网络模型有一些相似之处，但随着我们所示，存在一些显着差异。我们网络中的节点和边缘都具有权重和激活级别。它们充当使用一组相对简单的规则来确定激活级别和权重的概率传感器，以通过输入，生成输出，并相互影响。我们表明这些简单的规则能够实现允许网络代表越来越复杂的知识的学习过程，并同时充当促进规划，决策和行为执行的计算设备。通过指定网络的先天（遗传）组件，我们展示了进化如何以初始的自适应规则和目标赋予网络，然后通过学习来丰富。我们展示了网络的开发结构（这决定了大脑可以做些什么以及如何良好）受影响数据输入分布的机制和确定学习参数的机制之间的共同进化协调的批判性影响（在程序中使用按节点和边缘运行）。最后，我们考虑了模型如何占了学习领域的各种调查结果，如何解决思想和行为的一些挑战性问题，例如与设定目标和自我控制相关的问题，以及它如何帮助理解一些认知障碍。

在本文中，我们以神经处理的水平垂直整合模型的形式阐述了一种新型的神经塑性模型。我们认为，一种新的神经建模方法将受益于第三波AI。水平面由通过传输链路连接的神经元的自适应网络组成，该网络由传播链路连接，该链接生成时空尖峰模式。这符合标准的计算神经科学方法。此外，对于每个单独的神经元，还有一个垂直部分，该部分由内部自适应参数组成，这些参数转向了与神经传播有关的外部膜表达参数。每个神经元都有一个与（a）在膜层处的外部参数相对应的参数的垂直模块化系统，分为隔室（刺，boutons）（b）串膜区域中的内部参数和带有其蛋白质信号网络和（C）的细胞质中的内部参数遗传和表观遗传信息的细胞核中的核心参数。在这样的模型中，水平网络中的每个节点（=神经元）都有其自己的内部内存。神经传播和信息存储是系统分开的，这是突触重量模型的重要概念前进。我们讨论了基于膜的（外部）滤波和外部信号的选择，以通过快速波动和神经元内计算策略从细胞内蛋白质信号传导到细胞核作为核心系统。我们想证明，单个神经元在信号的计算中具有重要作用，并且从突触重量调节假设中得出的许多假设可能无法在真实的大脑中保留。并非每个传输事件都会留下痕迹，而神经元是一种自我编程的设备，而不是由电流输入被动确定。最终，我们努力构建一个灵活的内存系统，该系统自动处理事实和事件。

仅基于神经网络或符号计算的人工智能（AI）系统提出了代表性的复杂性挑战。虽然最小的表示可以产生行业或简单决策等行为输出，但更精细的内部表示可能会提供更丰富的行为。我们建议可以使用称为元模型的计算方法来解决这些问题。元模型是体现的混合模型，其中包括具有不同程度的表示复杂性的分层组件。我们将提出使用专门类型的模型组成的层组合。这种关系模仿了哺乳动物大脑的新皮质 - 丘脑系统关系，而不是使用通用黑匣子方法统一每个组件，它使用了前馈和反馈连接来促进功能通信。重要的是，可以在解剖学上显式建立层之间的关系。这允许可以以有趣的方式将结构特异性纳入模型的功能。我们将提出几种类型的层，这些层可能会在功能上集成到执行独特类型的任务的代理中，从同时执行形态发生和感知的代理到经历形态发生以及同时获得概念表示的代理。我们对元模型模型的方法涉及创建具有不同程度的代表性复杂性的模型，创建分层的元结构结构，模仿生物学大脑的结构和功能异质性，并具有足够灵活的输入/输出方法，以适应认知功能，社交互动，社交互动，社会互动，和自适应行为。我们将通过提出这种灵活和开源方法的开发中的下一步来得出结论。

生命的起源被神秘笼罩着，几乎没有生存线索，被进化竞争所掩盖。先前的评论涉及自上而下和自下而上的合成生物学的互补方法，以增强我们对生活系统的理解。在这里，我们指出这些领域之间的协同作用，尤其是自下而上的合成生物学和生命研究起源之间。我们探讨了与拥挤的细胞，其新陈代谢以及生长和分裂周期以及如何开始合并这些努力的人造细胞隔室取得的最新进展。尽管当前生活的复杂性是其最引人注目的特征之一，但人生的基本特征都不需要它，而且它们从一开始就不太可能出现因此而变得复杂。当前的研究不是通过恢复一个真正的起源而恢复真正的起源，而是通过挑出一组基本组成部分可能产生的复杂性和进化而融合了最小生命的出现。

这篇理论文章研究了如何在计算机中构建类似人类的工作记忆和思维过程。应该有两个工作记忆存储，一个类似于关联皮层中的持续点火，另一个类似于大脑皮层中的突触增强。这些商店必须通过环境刺激或内部处理产生的新表示不断更新。它们应该连续更新，并以一种迭代的方式进行更新，这意味着在下一个状态下，应始终保留一组共同工作中的某些项目。因此，工作记忆中的一组概念将随着时间的推移逐渐发展。这使每个状态都是对先前状态的修订版，并导致连续的状态与它们所包含的一系列表示形式重叠和融合。随着添加新表示形式并减去旧表示形式，在这些更改过程中，有些保持活跃几秒钟。这种持续活动，类似于人工复发性神经网络中使用的活动，用于在整个全球工作区中传播激活能量，以搜索下一个关联更新。结果是能够朝着解决方案或目标前进的联想连接的中间状态链。迭代更新在这里概念化为信息处理策略，一种思想流的计算和神经生理决定因素以及用于设计和编程人工智能的算法。

科学和工程学的进步通常揭示了最初用于理解，预测和控制现象的经典方法的局限性。随着进步，通常必须重新评估概念类别，以更好地跟踪最近在学科中发现的不变性。完善框架并解决学科之间的界限是至关重要的，以便它们更好地促进而不是限制实验方法和能力。在本文中，我们讨论了发育生物学，计算机科学和机器人技术的交集问题。在生物机器人的背景下，我们探索了概念，信息和生命科学的最新进展所驱动的概念和以前不同领域的变化。本文中，每个作者都提供了自己对该主题的看法，并由他们自己的纪律培训构成。我们认为，与计算一样，发育生物学和机器人技术的某些方面与特定材料无关。相反，这些领域的一致性可以帮助阐明多尺度控制，自组装以及形式与功能之间的关系。我们希望由于克服技术局限性而引起的界限，可以出现新的领域，从而将实际应用从再生医学到有用的合成生命机器。

基因调节网络是负责确定蛋白质和肽生产水平的生物生物体相互作用的网络。蛋白质是细胞工厂的工人，其生产定义了细胞及其开发的目标。已经进行了各种尝试来建模此类网络，以更好地了解这些生物系统，并利用了解它们的灵感来解决计算问题。在这项工作中，提出了一个针对基因调节网络的生物学上更现实的模型，该模型结合了细胞自动机和人工化学，以模拟称为转录因子和基因调节位点的调节蛋白之间的相互作用。这项工作的结果表明，复杂的动力学接近自然界中可以观察到的东西。在这里，对系统的初始状态对产生的动力学的影响进行了分析，这表明可以将这种可转化的模型针对产生所需的蛋白质动力学。

讨论了与科学，工程，建筑和人为因素相关的月球表面上的运输设施问题。未来十年制造的后勤决策可能对财务成功至关重要。除了概述一些问题及其与数学和计算的关系外，本文还为决策者，科学家和工程师提供了有用的资源。

4月20日至22日，在马德里（西班牙）举行的EVO* 2022会议上提交了末期摘要。这些论文介绍了正在进行的研究和初步结果，这些结果研究了对不同问题的不同方法（主要是进化计算）的应用，其中大多数是现实世界中的方法。

Agent-based modeling (ABM) is a well-established paradigm for simulating complex systems via interactions between constituent entities. Machine learning (ML) refers to approaches whereby statistical algorithms 'learn' from data on their own, without imposing a priori theories of system behavior. Biological systems -- from molecules, to cells, to entire organisms -- consist of vast numbers of entities, governed by complex webs of interactions that span many spatiotemporal scales and exhibit nonlinearity, stochasticity and intricate coupling between entities. The macroscopic properties and collective dynamics of such systems are difficult to capture via continuum modelling and mean-field formalisms. ABM takes a 'bottom-up' approach that obviates these difficulties by enabling one to easily propose and test a set of well-defined 'rules' to be applied to the individual entities (agents) in a system. Evaluating a system and propagating its state over discrete time-steps effectively simulates the system, allowing observables to be computed and system properties to be analyzed. Because the rules that govern an ABM can be difficult to abstract and formulate from experimental data, there is an opportunity to use ML to help infer optimal, system-specific ABM rules. Once such rule-sets are devised, ABM calculations can generate a wealth of data, and ML can be applied there too -- e.g., to probe statistical measures that meaningfully describe a system's stochastic properties. As an example of synergy in the other direction (from ABM to ML), ABM simulations can generate realistic datasets for training ML algorithms (e.g., for regularization, to mitigate overfitting). In these ways, one can envision various synergistic ABM$\rightleftharpoons$ML loops. This review summarizes how ABM and ML have been integrated in contexts that span spatiotemporal scales, from cellular to population-level epidemiology.

最近围绕语言处理模型的复杂性的最新炒作使人们对机器获得了类似人类自然语言的指挥的乐观情绪。人工智能中自然语言理解的领域声称在这一领域取得了长足的进步，但是，在这方面和其他学科中使用“理解”的概念性清晰，使我们很难辨别我们实际上有多近的距离。目前的方法和剩余挑战的全面，跨学科的概述尚待进行。除了语言知识之外，这还需要考虑我们特定于物种的能力，以对，记忆，标签和传达我们（足够相似的）体现和位置经验。此外，测量实际约束需要严格分析当前模型的技术能力，以及对理论可能性和局限性的更深入的哲学反思。在本文中，我将所有这些观点（哲学，认知语言和技术）团结在一起，以揭开达到真实（人类般的）语言理解所涉及的挑战。通过解开当前方法固有的理论假设，我希望说明我们距离实现这一目标的实际程度，如果确实是目标。