混合生命：整合生物，人工和认知系统

Hybrid Life: Integrating biological, artificial, and cognitive systems

混合生命：整合生物，人工和认知系统

https://wires.onlinelibrary.wiley.com/doi/pdfdirect/10.1002/wcs.1662

摘要

人工生命是一个研究领域，基于跨物理、自然和计算科学的多学科方法，研究定义生命的进程和属性。人工生命的目标是通过理论、合成和实证模型，对生命系统的基本属性进行全面研究，超越“我们所知的生命”，走向“可能的生命”。尽管仍然是一个相对年轻的领域，人工生命已经蓬勃发展，成为不同背景研究者的环境，欢迎来自广泛学科的想法和贡献。混合生命将我们的注意力引向人工生命社区中一些最新的发展，这些发展根植于更传统的人工生命研究，但着眼于与其他领域互动中出现的新挑战。混合生命的目标是从第一原理出发，理解系统是什么，生物和人工系统如何相互作用和整合，形成新的混合（生命）系统、个体和社会。为此，它聚焦于三个互补的视角：系统和代理理论、混合增强和混合交互。系统和代理理论用于定义系统，它们的不同之处（例如，生物或人工、自主或非自主），以及多个系统如何相互关联以形成新的混合系统。混合增强专注于实现紧密连接的系统，使其作为一个单一的、集成的系统运作。混合交互则围绕异质群体中不同生命和非生命系统之间的交互展开。在讨论了这些主题的一些主要灵感来源之后，我们将重点介绍2018年至2022年期间在人工生命年会期间举办的混合生命特别会议上出现的作品概述。

本文属于以下类别：

神经科学 > 认知

哲学 > 人工智能

计算机科学与机器人 > 机器人

1 | 引言

人工生命（ALife）在过去几十年中作为一个研究领域出现，致力于研究“可能的生命”（Langton, 1989）。从地球上已知的生命系统起源开始，人工生命的主要目标是定义生命的一般概念、其属性和功能，捕捉超越“我们所知的生命”的一系列基本原理。人工生命研究通常根据不同实验中使用的基质类型进行分类。这些基质包括基于模拟的工作、硬件实现和类似生命的化学合成，分别被称为软、硬和湿人工生命（Bedau, 2003）。这些领域中人工生命研究的典型例子包括复杂性（数字）和生命起源的模拟（Agmon et al., 2016; Beer, 2014; Chan, 2020; Ofria & Wilke, 2004）、进化机器人（Harvey et al., 2005; Kriegman et al., 2020）以及显示类似生命系统特征的化学化合物，如稳态、自我复制和进化（Cejkov a et al., 2017; Hanczyc & Ikegami, 2010）。

人工生命的根源也深入到控制论（Ashby, 1957; Wiener, 1948），将这一领域与智力和认知的正式研究联系起来。因此，现代人工生命研究包括例如表征代理（Barandiaran et al., 2009; Beer, 2014; Biehl, 2017）、自主性（Di Paolo, 2005; Di Paolo & Iizuka, 2008）、自生成（Beer, 2004, 2015, 2020; Suzuki & Ikegami, 2009）和（激发的）心灵（Froese & Ziemke, 2009；受到例如Varela et al., 1991的启发），以及最小认知（Beer, 1995; Harvey et al., 2005; McGregor et al., 2015）和人工和生物系统中的学习与适应（Baltieri & Buckley, 2017; Sinapayen et al., 2017）。

近年来，人工生命工作的边界扩大，包括了其他领域中传统的主题，促进了跨学科的思想交流，通常基于“可能的某物”的座右铭，包括认知（McGregor et al., 2007）、机器（Bongard & Levin, 2021）、化学（Banzhaf & Yamamoto, 2015）和心灵（Froese et al., 2012）。更具体地说，人工生命已经拥抱并与政策制定（Penn, 2016）、心理学（Sinapayen et al., 2021）和工程（Suzuki et al., 2017, 2019a）等领域的互动。本概述提出了人工生命研究人员（包括作者）探索的一些方向，这些方向越来越难以与其他领域区分，包括心理学、人机交互、信息和控制理论、虚拟现实技术等。我们将这一领域称为“混合生命”。

在第2节中，我们将重点介绍混合生命的系统化特征及其三个主要主题：系统理论、混合增强和混合交互。这将为我们在这个领域的研究议程提供基础，提供一个必然不完整的主题和结果列表，这些主题和结果有助于定义混合生命。第3节将报告2018年至2022年期间作为国际人工生命年会的一部分讨论的内容和发表的论文，其中混合生命作为连接人工生命与其他领域的特别会议之一出现。在我们的结论（第4节）中，我们将展望混合生命的未来发展。

2 | 混合生命

混合生命包括对系统的跨学科研究，以及生物和人工系统之间的交互和整合。为了实现这一点，它连接了人工生命中的三个研究领域，这些领域部分受到系统理论和控制论的启发，并且最近开始扩展到与其他现有领域连接。系统理论是一个跨学科的研究领域，涉及控制理论、生物学、复杂科学和心理学等多个领域，关注系统的特征、行为和交互的理解（Klir, 1991; Skyttner, 2005; Von Bertalanffy, 1972）。控制论可以被视为目的性系统的跨学科研究，即具有目标的系统，将系统理论的思想与心灵和认知科学的研究统一起来（Ashby, 1957; Wiener, 1948）。在混合生命中，我们基于这两者，特别关注以下三个互补的视角：

**系统和代理理论**，专注于从第一原理出发的系统和代理的正式定义的理论框架，考虑生物、认知和人工系统的不同特征，

**混合增强**，研究如何通过与非自主部分的整合来扩展自主系统的能力，

**混合交互**，描述不同类型的自主系统如何相互作用以生成复杂或可能是“涌现”的行为模式，以及这些交互模式如何影响独立的自主系统。

我们的目标是理解系统是什么以及它们如何交互和整合，不仅研究我们所知的生命，还要在可能的生命领域，即人工生命中创造新的系统。这从系统和代理理论开始，这些理论是数学上形式化系统是什么、多个系统如何关联或交互、是什么使系统成为生命有机体或代理，以及认知在建立生命和代理的普遍理论中的作用所必需的。基于这些基础，我们随后旨在研究并构建具有新颖和扩展能力的个体，以及利用生物和人工系统之间新通信渠道的社会，最终超越当前的系统整合和交互范式。混合增强专注于研究边界消失的系统，它们如此紧密地互联，以至于可以被视为一个单一的集成系统，无论是否是生命。混合交互基于识别和分析一组多样化的生命和非生命系统在保持其独立身份和自主性的同时如何交互。在这个框架中，混合增强和交互受到推动系统和代理理论研究的基本问题的启发，同时在使用现实世界应用的证据来提炼这些问题方面也起着关键作用。总之，我们的目标不仅仅是开发新的方法或技术应用，而是利用增强/交互视角交叉的理论来进一步深化我们对生命和心灵的理解。

正如我们将在接下来的段落中看到的，这三个视角建立在人工生命领域内外长期发展的结果之上。然而，至关重要的是，这些历史几乎完全独立，系统理论的研究通常在抽象层面上进行，而（混合）交互或增强的实验结果则通常假设系统的定义，而不是提出关于系统和其可能独特特征（生命、代理和认知）的基本问题。此外，（混合）交互和（混合）增强的研究从根本上基于先验范式的选择，往往未能考虑、捕捉和（数学上）形式化交互和增强工作之间的差异和可能的相似性。尽管它们各自独立发展中取得了成果，但我们相信，将这些视角结合起来，最终将这些研究分支的部分内容整合到更连贯的增强和交互的正式研究中，即混合生命，将带来关于生命、代理和认知的新见解，影响不同领域。

2.1 | 系统和代理理论

系统研究通常在不同的研究领域独立进行：工程、计算机科学和物理学研究人工系统，生物学研究生命系统，神经科学/心理学研究认知领域。在这个背景下，代理通常被非正式地定义为自主系统，它们通过与环境交互来实现其目标，这些概念通常基于民间心理学的理解（少数例外，例如Barandiaran et al., 2009; Biehl, 2017; McGregor & Chrisley, 2020）。在混合生命中，我们的目标之一是使用系统和代理的数学理论，从第一原理定义系统和代理是什么，而不是简单地假设它们在我们的模型中存在或依赖于非正式描述（Klir, 1991）。然后，这些定义将用于分析系统在混合设置中如何整合和交互，这些设置混合了生物和人工个体，识别边界以及不同（类）系统之间的可能区别，回答诸如“系统的边界是什么（例如，生命游戏中的滑翔机的“边界”）？”或“当系统交互如此紧密以至于它们应该被视为一个全新的单一实体时（参见，共生起源）？”等问题。

在传统的人工生命研究中，合成代理的涌现通常从生物和物理属性中抽象出来，采用基质无关的方法，专注于它们的个体性、适应性和复杂行为（Agmon et al., 2016; Beer, 2014, 2020; Chan, 2020; Suzuki & Ikegami, 2009）。尽管这对于探索代理、生命、认知等可能的形式至关重要，但这可能忽略了定义现有系统所必需的基质特定属性。另一方面，在生命科学的标准方法中，生命系统通常通过关注特定化学物质似乎诱导的基质特定属性来研究，例如碳循环、特定的代谢途径或特定的基因调控网络（例如，Lanier & Williams, 2017; Preiner et al., 2020）。这种方法可能揭示了我们已知的生命的重要生物和生化属性，但也可能导致我们对生命的基本构建块产生误解，只见树木不见森林。诸如具身性和情境性（Brooks, 1991; Newen et al., 2018）、心灵-生命连续性论题（Maturana & Varela, 1980; Varela et al., 1991）以及最小（Beer, 1995; Harvey et al., 2005）和基底认知（Lyon et al., 2021）等思想构成了通过注意到代理研究（无论是生物的还是人工的）可能与认知内在地联系在一起，尽管通常以最小形式，来弥合基质特定和高层次属性之间差距的尝试。

与大多数这些基于概念讨论或计算模型的方法不同，在混合生命中，我们寻求从第一原理定义系统和代理。一个主要的灵感来源可以在控制论中找到（Ashby, 1957; Wiener, 1948），这个领域在几十年的发展和多次重启中，将控制理论和工程、动力系统、细胞和神经生物学的思想结合起来，研究生物（Maturana & Varela, 1980; Varela et al., 1991）和人工（Beer, 1984; Walter, 1950）系统的复杂和认知行为。基于控制论关于代理与其环境之间交互的重要性的论点，Beer（1995）后来基于在相当一般的假设下表示大脑、身体和环境的交互动力系统，构建了代理某些一般方面的数学处理。Beer（2004）还进一步形式化了在“二阶”控制论影响下发展的一个核心概念，即自生成。特别是，Beer（2004）从“滑翔机”开始，为一般系统的自生成的一些特征提供了精确的数学描述，滑翔机是生命游戏细胞自动机中的时空移动模式。

在Beer（2004）工作的基础上，Biehl等人（2016）基于时空模式的概念，使用概率建模（贝叶斯网络）和基于整合信息理论（IIT；Oizumi et al., 2014）的个体性度量，构建了代理的数学理论。IIT最初被提出作为一种数学形式化意识的方式，遵循“整合信息”的定义。整合信息量化了系统的所谓“内在不可约性”，即在系统的特定尺度（整体）中可以找到多少因果力量，而不能减少到更小的部分（部分）。然而，最近IIT也被用于其他上下文中：例如，Albantakis和Tononi（2015）采用IIT来定义空间域中代理的方面，而Albantakis等人（2021）进一步深入研究了代理的时间连续性。贝叶斯网络和相关方法的概率建模也被自由能原理（FEP）的支持者采用，最初被描述为大脑功能的统一原理（Friston, 2010），最近提供了关于系统或事物的视角（Friston, 2019; Friston et al., 2022）。在FEP下，系统（或事物）是那些似乎最小化变分自由能的事物，即在其环境中执行（近似）贝叶斯推断。有趣的是，这可以在系统的不同部分和不同尺度上同时发生。虽然这可能导致一个理论，即一切都可能是系统而没有任何进一步的约束（Bruineberg et al., 2021），但与其他方法（如标准的IIT实现（Oizumi et al., 2014））不同，FEP在多个尺度上体现了“成为系统”（或代理）的关键方面：社会、自身和体内的细胞都可以同时被视为代理的可能性。

概率方法还导致了Krakauer等人（2020）的提议，其中我们找到了依赖于自主性思想的系统-环境分区的定义，使用预测信息1来测量候选系统的自我预测性（自我预测性越高，代理性越强），或基于环境状态的条件预测信息，即系统的过去在多大程度上可以告诉我们其未来，而不仅仅是环境观察中包含的内容。Kolchinsky和Wolpert（2018）扩展了这些思想，通过在系统和环境之间“打乱”信息来进一步添加因果必要性的约束，以定义句法和语义信息，分别是相关性和因果信息的代理。在此基础上，Kolchinsky和Wolpert（2018）提供了诸如“存储的语义信息”（系统与其环境在初始条件下的打乱概率的互信息）和“观察到的语义信息”（作为打乱转移熵）等度量，以测量环境观察如何帮助预测系统的未来。Kolchinsky和Wolpert（2018）随后推测，自主代理通常会显示出高水平的两种语义信息，其不同属性源于对存储或观察到的语义信息的聚焦。

最近，进一步的数学探索提出了“范畴控制论”（Capucci et al., 2021），使用范畴论的语言（参见Rosen, 1991）。例如，Fong等人（2021）提出了一个处理方法，描述系统“整体”和“部分”之间的双向行为约束，概括了IIT和FEP等提议的某些方面。Myers（2021）介绍了类似的处理方法，但在不同的范畴概括中，即使用开放动力系统的双范畴定义，其中部分的行为及其功能组合成整体的行为是部分结构组合成整体的互补方面。Virgo等人（2021）和Biehl与Virgo（2022）则专注于以系统状态演化可以解释为实现某种形式的贝叶斯推理（即贝叶斯滤波）的代理的一般概念。

2.2 | 混合增强

上一节讨论的系统和代理理论的一个主要应用可以在生物或人工系统之间强连接的情况下找到，这使我们质疑它们在多大程度上被视为一个集成的整体。混合增强包括研究自主系统，其感知、认知或运动能力通过与非自主部分的整合而扩展，例如，连接到机器人的神经元可以获得移动性，连接到虚拟现实设置的人可以探索新世界并访问否则不可能的感知能力。

这一研究路线的主要灵感来源可以在人类感觉替代的经典例子中找到。例如，Bach-y-Rita等人（1972）引入了一个系统，将相机捕捉到的视觉输入转换为不同受试者背部的触觉信号，表明盲人受试者学会了如何“可视化”这种触觉信息。最近的设备使用声音（Pasqualotto & Esenkaya, 2016; Striem-Amit et al., 2012）和舌头的电刺激来替代视觉感觉（Danilov & Tyler, 2005; Friberg et al., 2011）。

Froese等人（2011）提出了一种极简主义的感觉替代方法，展示了这一范式的灵活性和潜力，使用了“激发的火炬”，这是一个简单的设备，其振动强度与用户和环境中物体之间的距离相关，通过红外传感器测量。尽管该设备提供的感觉信息与Bach-y-Rita等人（1972）的工作相比显著有限，但控制激发的火炬的人似乎随着时间的推移学会了识别不同物体的形状。在我们对混合增强的概述中，感觉替代设备揭示了神经可塑性作为机制的作用，不仅能够替代失去的感觉模式，还能通过“感觉增强”（Froese et al., 2011）获得新的感觉模式。

随着深度学习方法的发展，最近出现了更多感觉增强的例子，感知研究依赖于使用人工神经网络构建的人工感知系统。特别是，人工感知（Sinapayen et al., 2021）2展示了在我们定义的混合增强范围内的工作，将生物（人类）认知系统的感知与专门训练来“利用”其生物对应物特征的人工系统生成的信号整合在一起。幻觉是观察者系统中不同感知之间的矛盾，或观察者对该系统的感知与其所知之间的矛盾：例如，我们知道“旋转蛇幻觉”（Kitaoka, 2003）是一张静态图像，但我们不知何故认为它在移动。为了研究视觉运动幻觉背后的原理，Sinapayen和Watanabe（2021）使用人工神经网络生成了新的视觉幻觉，创造了在自然环境中不一定存在的运动感知。这种方法可以用于心理物理实验，开发和研究感知体验中可能未知的方面，扩展了Kobayashi等人（2022）的工作，其中使用了其他人造幻觉。

Suzuki等人（2017）同样研究了人类视觉幻觉的现象学特征，而不是幻觉。视觉幻觉是指在清醒状态下缺乏物理对应物的虚假感知，因此与视觉幻觉和梦境区分开来。使用与视觉幻觉下归因于人类大脑的计算处理一致的可视化技术，Suzuki等人（2017）的“幻觉机器”，一个使用Google的Deep Dream算法训练的人工神经网络，成功模拟了常在致幻剂引起的视觉幻觉中报告的显著现象学。在虚拟现实技术的支持下，这些人工幻觉实时显示给受试者，其报告表明他们的感知世界能力发生了强烈变化，如图1中的“狗世界”案例。与上述用于视觉幻觉的人工感知类似，这种方法展示了混合增强的潜力，使用人工神经网络和虚拟现实设备系统地生成生物系统中的新合成感知体验。

另一方面，当涉及到运动增强时，一个突出的研究领域集中在赛博格（cyborgs）的研究上，即部分生物和部分机器的网络生物体，主要生物体范围从昆虫和啮齿动物到植物和微生物，甚至人类。赛博格通常与其他“混合”系统区分开来，因为其人工组件不仅可以替代生物体缺失的部分（例如，人类中的假肢），还可以扩展其原始能力。Ando和Kanzaki（2020）将赛博格分为两类：（1）在生物体上实现机器的赛博格和（2）使用生物部件增强机器人的赛博格。在第一类中，我们发现例如通过在昆虫上安装电子组件来外部控制昆虫的尝试，如赛博格蟑螂的案例（Kakei et al., 2022）。第二类包括使用昆虫触角作为移动机器人上的信息素传感器的工作（Kuwana et al., 1995, 1999）。

除了昆虫之外，人工和生物系统的整合在植物领域也是一个活跃的研究领域。有趣的是，植物通常被视为比生物更接近无生命物体，即使作为室内植物，部分原因是它们的反应时间比人类和宠物慢。几个增强项目通过赋予植物机器人身体来改善这种感知，这些机器人身体加速了它们的反应时间或增加了它们在世界上的代理性。例如，Demaray等人（2015）的“Floraborgs”和Sareen与Tiao（2018）的“赛博格植物学”中，盆栽植物通过机器人轮子被增强，以移动到阳光充足的地方并增加它们的生长速度，见图2，而Umoz，一个作为苔藓宿主的六足机器人，根据苔藓物种的需求（例如，阳光、水）调整其行为（MTRL, 2021）。

与植物作为具有有限认知存在的自主系统的常见感知相呼应，体外神经元可以被视为复杂认知的共同基础，而没有太多自主性（至少在没有身体的情况下）。Masumori等人（2018）增强了体外大鼠神经元，将它们体现在带有传感器和执行器的轮式机器人中（参见Aaser等人，2017；Shahaf & Marom, 2001；Tessadori等人，2012的早期相关工作，或Kagan等人，2022的最近部分复制）。这些神经元随后能够学习和执行基于机器人和培养神经元之间感觉运动映射的导航任务。

2.3 | 混合交互

在概述了系统和代理的第一原理理论及其在研究可能表现为新整体的混合增强系统中的重要性之后，本节我们考虑了系统和代理的一般理论的不同案例研究。这里我们的重点是异质（类）系统，即生命和非生命系统，在保持其个体身份和整体自主性的同时进行交互，强调研究不同系统之间混合交互的重要性。如前一节所述，自主系统与非自主部分的整合自然导致了具有扩展甚至全新感知和运动能力的系统的研究。另一方面，专注于保持自主性，这里根据Di Paolo和Iizuka（2008）的定义，即在脆弱条件下导致个体及其身份出现的自我维持过程，我们可以观察到，以非平凡方式交互的不同自主系统可以促进新动态和行为的出现，这些动态和行为在（混合）系统增强中是质的不同的。

我们的混合方法强调主动交互而非被动交互的重要性。与其观察一群椋鸟的飞行行为来理解其行为，我们相信构建一个能够直接与椋鸟群交互的机器人椋鸟会更好地理解集体交互。类似的区别在生物学和神经科学的不同领域中以“重放”或“回放实验”的名义出现，展示了主动交互对于更好地解释不同生物体行为的重要性（例如，参见Buckley & Toyoizumi, 2018及其中的参考文献）。这些实验涉及预先记录生物体的行为，并测试当目标生物体试图与“人工”系统（即记录的行为）交互时其行为。在其他情况下，人工系统表现为使用生物体行为构建的数学模型生成的合成记录，从而使目标生物体与完全合成或模拟的系统交互。例如，Matsunaga和Watanabe（2012）使用“虚拟浮游生物”研究了浮游生物的何种运动行为更能引发鳉鱼的捕食行为，结果显示，以粉红噪声或1/f噪声为特征的运动似乎引发了最多的反应。

这种类型的方法也用于“混合”或“混合社会”的研究（Bonnet et al., 2019; Halloy et al., 2007; Hamann et al., 2016; Landgraf et al., 2021; Romano et al., 2019; Schmickl et al., 2013）。这些系统包括以非平凡方式交互的不同类个体，产生了与“社会”相当的复杂行为。这些研究共享在受控实验设置中刺激而非模拟生物系统的总体思想。例如，Datteri（2020）强调了机器人在当代生命科学中的关键作用，讨论了混合交互相对于经典的“通过构建理解”方法的重要性。前者专注于研究人工工程系统与生物系统之间的交互，构成研究的目标系统，而后者则专注于构建替代品，例如机器人，最终目标是取代目标（生物）系统而非与其交互。

交互方法的经典例子可以在Halloy等人（2007）的工作中找到，他们将一个化学修饰的机器人（即带有正确化学信号的机器人）引入蟑螂群体，并展示了混合蟑螂群体的决策可以受到机器人的影响。受到Halloy的工作和其他大量研究鱼类混合交互的实验的启发（参见图3的标准设置和Cazenille等人，2018的综述），Cazenille等人（2018）将一个机器人鱼放入一群斑马鱼中，形成了一个混合鱼群。在他们的实验中，他们展示了包含机器人鱼的群体可以产生与仅由活鱼组成的群体相当的集体行为，测量了机器人鱼的形态和运动对混合鱼群动态的影响。Iizuka等人（2019）使用类似的设置与鳉鱼（Oryzias Latipes），用显示在鱼缸侧面监视器上的计算机生成鱼替换了机器人鱼。生物鱼的运动被实时捕捉，而人工代理的运动则由真实鱼的运动中介：遵循从生物鱼和人工鱼的位置计算的标准Boids规则。他们的工作显示了与文献一致的结果，强调了主动与人工系统交互的生物系统的丰富行为，即使是简单地看着屏幕的鱼（鳉鱼）。另一方面，Shirado和Christakis（2017）在参与协调游戏的一组人中加入了机器人（模拟至少部分人类行为的程序）作为玩家。在这种混合设置中，机器人影响了人类玩家的行为，解决了通常仅由人类玩家组成的社会中难以解决的冲突。Wykowska（2020）回顾并检查了提供帮助或陪伴人类的社会机器人的作用，提供了关于人类社会认知机制在混合交互中灵活性的见解。这项工作特别说明了如何测试社会认知的交互理论，显示了成人大脑的社会认知机制可能足够灵活，可以为类似人类的机器人代理重新使用。

另一个有趣的例子出现在Hamann等人（2015）的工作中，其中机器人和植物在一个名为“flora robotica”的共生社会中共同产生了新的建筑类型。重要的是，在这个设置中，机器人和植物被提议平等对待：作为（不同）类的自主个体，可以交换不同类型的信息和能量：化学的、机械的等等。这种混合社会自组织行为的关键在于机器人和植物都被允许生长：植物在构成机器人身体的机械结构的支持下生长，机器人也控制植物的光、水、温度和其他变量；机器人“生长”要么通过提示实验者，要求他们的主动干预，即添加新组件（Hamann et al., 2015），要么通过自我组装新部件，例如，使用可以随时间更新的现场脚手架结构（Hamann et al., 2017）。

混合交互方法的另一个例子出现在图灵测试的行为版本中。图灵测试由图灵提出作为一种“模仿游戏”，通常被理解为测量或提供人工智能的代理。虽然原始想法涉及通过聊天对话进行交互，但可以使用原始设置的变体来实现测试的行为版本，例如握手图灵测试（Avraham et al., 2012）或代理检测的感知交叉实验（Auvray et al., 2009; Froese et al., 2014; Iizuka et al., 2012）。在握手测试中，人类参与者与产生类似握手行为的远程操作机器人接口交互，并被要求报告在交互过程中产生的哪种运动感觉更自然。感知交叉任务涉及一个更简单的设置，基于一个实验，参与者需要区分人类交互伙伴和非人类移动物体。为此，参与者只能使用一个光标，他们可以沿着一条线滑动，以在遇到某物（人类或非人类）时感知触觉刺激。在这种范式中，玩家被证明可以通过生成相互的、时间持续的交叉运动来找到人类伙伴，这可以用来区分由静态或“影子图像”表示的对象，或者由先前试验的非交互重放表示的对象（参见Auvray et al., 2009; Froese et al., 2014），或由先前试验的非交互重放表示的对象（Iizuka et al., 2012）。

3 | 特别会议2018–2022—报告

在本概述的第二部分，我们将注意力转向在2018年至2022年期间，混合生命在国际人工生命会议（International Conference on Artificial Life）上作为特别会议的一系列成果。在这五年中，混合生命会议为出版了超过30篇会议论文做出了贡献，同时还有两位国际知名受邀演讲者的演讲，并引入了一项面向全球参与者的竞赛，不仅限于我们的会议参与者。这些成果将按照第2节中描述的相同三个主题进行组织，参见表1的主题概述。

3.1 | 特别会议—系统和代理理论

虽然最初作为意识理论提出，IIT最近被提议为系统和代理的整合度量（参见第2.1节）。Aguilera和Di Paolo（2018）通过使用IIT度量的近似值phi（最初用于测量意识）来扩展这方面的工作，研究了可能无限大的伊辛模型中的自主性。在自主性研究背景下，Aguilera和Di Paolo（2018）提出，他们的近似phi度量可以用来区分系统何时可以被划分为交互的代理-环境对，或者何时应被视为一个整体。同样，Rodriguez（2022）的工作提供了补充观点，试图进一步将IIT的工作与激进自主性的概念联系起来（Varela et al., 1991），使用滑翔机及其认知域（Beer, 2014）作为玩具模型。另一个关于自主性的观点出现在Ovalle（2021）中，其中它与代理的意向性和规范行为相关联，并与强化学习等方法形成对比，后者更常依赖于外部分配的成本函数。

规范性和自主性的不同方面也在主动推断过程中得到普遍探索，这是一个受FEP启发的过程理论（参见第2.1节），包括稳态稳定性与意外最小化之间的关系，以及规范约束如何随时间获得或学习。Cowley等人（2018）专注于在不同预测编码模型中定义的注意力机制，描述系统如何对不同输入赋予价值（Keller & Mrsic-Flogel, 2018），这些机制既受到FEP的启发，又独立于FEP。Cowley等人（2018）特别使用了一个模型，该模型被提议作为新皮层活动中生物学上合理的实现，即分层时间记忆（Hawkins & Blakeslee, 2004）。Cowley等人（2018）通过调节单元来实现注意力，这些单元的激活反映了从前一时间步的正确预测。该模型为将原始分层时间记忆架构扩展到不同生物和人工系统中的时间预测模型铺平了道路，并且是对比不同预测编码实现的重要一步。

更具体地使用主动推断，Baltieri和Buckley（2018）讨论了基于功能模块性存在或缺乏的认知架构的不同视角。这项工作认为，功能模块性，即感知、认知和行动的顺序功能划分和信息封装（参见“感知-规划-行动”模型，Brooks, 1991），源自控制理论中的“分离原则”。根据这一原则，世界潜在状态的估计和基于我们对隐藏状态最佳估计的系统控制可以分开处理，尽管是在一些强假设下。在认知科学中，这通常用于证明感知（以状态估计/预测的形式，Keller & Mrsic-Flogel, 2018）和运动控制（Kawato, 1999）如何在认知架构中被视为独立的“模块”，参见Mellmann等人（2020）及其中的参考文献，了解在机器人学中的应用。Baltieri和Buckley（2018）对比了需要“外显副本”机制（Kawato, 1999）的模型，即系统已知的运动信号副本，与不需要显式知识的运动命令框架，如主动推断（Friston, 2010）。主动推断用对运动命令本身的推断取代了更广泛采用的外显副本，这些推断受到本体感觉信息的存在（Friston, 2010）。本体感觉是对自我运动、身体力量和位置的感觉，解释了我们通常如何随时知道身体不同部位的位置和姿势。Berry和Valero-Cuevas（2020）使用本体感觉来论证生理本体感觉传入有助于身体表征的形成、神经肌肉控制，甚至可能有助于代理感和自我的出现。作者没有将本体感觉和运动信号视为分离的，而是提出了一个扩展的“主动感知”概念，将它们视为同一运动-感知连续体的动态混合部分。他们称之为“感觉运动格式塔”，使用来自生物力学、微分几何和生理学的各种视角，将视觉感知中的经典格式塔概念扩展到运动领域，以理解在物理世界中本体感觉和运动行为背景下身体表征和自我的出现。

在考虑不同类型的表征时，Noguchi等人（2018）展示了可以促进神经活动稳定模式形成的机制，通过演示代理的运动模式或行为的复杂性如何在递归神经网络中生成类似位置细胞的结构。另一方面，Man和Damasio（2020）强调了不仅外部信息可以影响系统的内部状态，而且反向也应当为真，以通过因果关系建立“意义”的反事实概念，即如果对提议解决方案效果的评估使系统将其内部变量保持在范围内，即稳态，则认为系统在外部任务中的表现是可取的。

对预测编码和FEP的反复批评集中在可能缺乏“意义”和规范性上：什么能阻止系统仅仅通过找到一个更容易预测的黑暗房间（即所有都是黑色的）来最小化预测误差？Baltieri和Buckley（2019）澄清说，这个问题只有在系统的目标（例如，尽可能长时间生存）与如何实现这一目标（例如，最小化预测误差）混淆时才有意义（参见Sun & Firestone, 2020的例子）。如果将这种算法观点从具身代理、生物系统和机器人中的规范性研究中移除，描述系统为推断机器可能会产生误导，这些研究可以用来约束这类问题并消除这种（仅表面上的）悖论。然而，对FEP和主动推断的其他担忧仍然存在，特别是关于其精确主张的问题。虽然最初作为大脑理论提出（Friston, 2010），但它随后被用来描述所有已知生命的起源（Friston, 2013，但参见Biehl et al., 2021），最近进一步被引入为系统理论（Friston, 2019，但参见Bruineberg et al., 2021）。Baltieri等人（2020）解开了其中的一些思想，展示了过程理论主动推断如何用于建模许多不同系统（认知与否，生物与否），而不必必然调用更一般的原理，即FEP。在这项工作中，作者通过将蒸汽机-瓦特调速器耦合系统视为代理-环境模型，推导出一组行动-感知循环的方程，描述了关于系统行为的信念、目标和预测。在这种有些悖论的设置中，作者讨论了涵盖不同类系统的总体理论的优点（或缺乏），以及将行为作为代理和系统理论起点的“泛推断”解释的可能结果。

Aguilera等人（2019）提出了可供性的定量描述，定义为代理中“直接感知到的环境行动可能性”，这是生态心理学的核心概念，也是该领域代理的定义特征。Aguilera等人（2019）通过使用生态心理学中的例子和实验结果，分析了可供性定义与赋权5（Klyubin et al., 2005）之间的共同背景，赋权的最大化大致对应于代理寻求最大化其未来行动选项的想法。这项工作构成了使用信息理论工具对可供性进行形式化的步骤，并将其应用于使用赋权的代理和内在动机理论，同时试图将赋权（一个在实践中难以计算的数量）与生态心理学中大量的定量结果联系起来，目的是为其实验验证提供代理。

受定义生命和生物学原理的更基本尝试的启发，Damiano和Stano（2021）的工作提出了一条使用合成生物学模型研究人工智能系统的新途径，以补充现有的机器人和数字实现。另一方面，Segerståhl和Segerståhl（2022）提出了一个受生物细胞启发的系统统一理论。特别是，Segerståhl和Segerståhl（2022）引入了一个模型，该模型可以提供部分必要的组件，以弥合自生成细胞账户（Maturana & Varela, 1980）与（M,R）系统（Rosen, 1991）之间的差距，使用信息处理和形式化生物学中一些核心思想的图示语言。为了挑战这些以及越来越多的系统理论和生命理论的具体理论提案，Sinapayen和Witkowski（2020）引入了一项竞赛，目标是识别生物系统和非生物系统。主要目标是使用基于理论的算法（AI/黑箱学习算法被禁止）将未标记的2D轨迹（生物系统如鸟、蜘蛛等和人工系统如机器人、人工化学等）分类为“生物”和“非生物”类别。获胜算法基于生物系统似乎以无标度方式行为的想法，即它们的行为可以用描述分形结构的幂律来描述，即在不同时空尺度上（自）相似。

3.2 | 特别会议—混合增强

受上述理论框架（FEP、IIT等）和一般系统理论启发的思想已经渗透到一系列系统增强的应用中。例如，Ofner和Stober（2019）研究了机器学习模型整合神经科学模型的能力，特别是预测编码和主动推断（Friston, 2010）。他们的模型通过学习如何使用视频形式的视觉刺激和记录在观看相同视频的人类受试者中的脑电图、眼电图和肌电图数据来预测未来，模拟了人类大脑中的多模态外感受和内感受。

另一方面，Sandamirskaya等人（2022）6展示了系统增强在机器人和自主系统中的应用，其中神经形态硬件用于运行生物启发的神经网络。神经形态设备是一种能量高效、低延迟的替代方案，与标准硬件相比，在包括需要某种认知能力的任务（如学习、运动控制和感知）在内的许多不同任务中显示出类似生物系统的能力。使用特别脉冲神经网络，这是一种在为异步、基于事件（脉冲）计算设计的神经形态硬件上实现的生物学上合理且特别高效的人工神经网络，Sandamirskaya等人（2022）展示了这些网络在导航（路径整合、SLAM）、学习（监督和非监督）和认知架构中的应用可以为弥合生物和人工智能范式之间差距的智能研究开辟新路径。Knight等人（2019）实现了类似的设置，但依赖于更标准的基于速率的人工神经网络，这些网络在指定路线的视觉数据上进行训练，目标是构建一个“基于熟悉度”的导航算法并集成在机器人上。该网络可以被训练为任何视觉输入输出一个“熟悉度”分数，这可以用来控制一个机器人，其任务是通过选择最熟悉的路线返回其初始位置。Masumori等人（2018）使用类似的设置，报告了生物神经网络控制简单机器人的实验和模拟结果，参见图4，显示网络倾向于切断从环境中传递“不可控”输入的神经元。通过比较面对可解任务和面对困难或不可解任务的网络中的脉冲动态，作者表明网络要么设法学习任务（因此减少传入输入的数量），要么在未能学习任务后切断输入神经元，从而通过重新定义自我（连接的神经元）和非自我（环境和断开的神经元）之间的边界来减少传入输入的数量。

虽然这些工作展示了将生物启发的方法甚至生物系统的一部分整合到机器人中的潜力，但近年来新技术也推动了使用人工组件增强生物系统的技术发展，在某些情况下导致了新的认知处理形式，如第2.2节所述。例如，Froese等人（2018）基于最初作为语言进化模型开发的迭代学习方法，引入了一个合成遗传密码起源模型。作者训练了一个多层感知器网络作为从密码子到11维氨基酸特征空间的编码系统。在迭代学习算法时，“供体”原细胞将其密码子分配的子部分转移到“接收者”原细胞，后者反过来调整其编码系统以更接近地与接收密码子分配的“供体”原细胞对齐。他们发现，即使没有建模详细的化学途径，出现的人工遗传密码与文献中的遗传密码显著重叠。

Huang等人（2021）和Eden等人（2022）7的工作提供了生物系统增强运动控制的杰出例子，重点关注现有运动能力和新自由度的发展。前者包括力量增强，如外骨骼，工作空间增强，如远程操作机器人肢体，以及命令增强，其中设备用于解决运动系统的可能限制，例如用于震颤的主动噪声消除。另一方面，后者涉及通过扩展进行的增强，例如第三只机器人手或由脑机接口（侵入性，例如ECoG，或非侵入性，例如EMG）控制的屏幕上的模拟光标，通过转移，例如用脚控制坐着的机器人手臂，以及其他，参见Eden等人（2022）的广泛综述。

与Suzuki等人，2018年的“幻觉机器”类似，人们可以在佩戴头戴式显示器时体验合成视觉幻觉（参见第2.2节），Suzuki等人（2019a, 2019b）使用沉浸式虚拟现实来研究感觉运动偶然性如何影响人类的视觉意识。特别是，Suzuki等人（2019a, 2019b）开发了一个结合运动跟踪的虚拟现实设置，允许参与者与新颖形状的虚拟3D物体交互。这项工作发现证据表明，感觉运动偶然性可以影响不熟悉的3D虚拟物体的视觉感知过程，换句话说，操纵物体的能力会影响我们对它们的视觉体验，展示了虚拟现实技术如何揭示实验心理学和感知研究，甚至在将来扩展我们自己的感知体验。

3.3 | 特别会议—混合交互

在我们对混合交互的定义中，我们要求（1）整个交互部分的自主性水平较高（例如，使用外骨骼的人类不包括在这里），（2）异质交互的可区分个体类别（例如，蚂蚁群通常是同质的），或者理想情况下两者兼备。这通常会排除大量关于群体或集体智能的研究，然而，Rockbach等人（2022）提供了一个例子，展示了群体如何在混合交互提议的背景下被看待。Rockbach等人（2022）专注于人类和被视为宏观个体的机器人群体之间交互的模拟，在搜索和救援活动的背景下，无人驾驶车辆可以与人类合作进行现场操作。类似的研究方向，转向研究自主性和交互系统中多个目标的交互，也在Dotov和Froese（2020）的工作中出现，作者提出了“动态交互AI”的概念，作为人类和人工系统的混合交互。动态交互AI被提议为通过与人类的动态交互自我组织的系统。以作者自己关于人机交互的研究为例，他们对比了这种方法与非交互AI的差异，强调了转向基于交互的学习范式的优势，使用混沌动力系统作为例子。有趣的是，这种方法导致了运动障碍患者步态节奏调节的应用，即帕金森病患者步态模式及其相关速度的调节。Dotov等人（2019）展示了人类和显示某种自主性的人工系统（存在不由外部用户直接操纵的内部动力）的主动交互如何产生更好的同步，即听觉提示和步态的同步，帮助运动障碍患者控制他们的步态节奏。

在不同的领域工作，研究人机交互的基础，Maruyama等人（2021）在探索名为Alter3的人形机器人的模仿行为时，也得出了关于人类和人工代理之间同步的类似结论。Alter3可以模仿出现在其视觉场中的人类的动作，同时存储不同的动作序列，这些序列可以用来生成基于内部模拟器的内在驱动运动。总的来说，这种可能行为的组合产生了用于研究基于人类的社会中信息交换的社会成分的交互，并可能扩展到混合社会。使用定向信息流测量，研究发现当Alter3未能模仿人类动作时，人类倾向于模仿Alter3。

Matthews和Bongard（2020）也研究了人机交互，但重点是模拟机器人和通过自然语言的交互，而不是视觉输入和身体动作，在人机协作设计范式中。在这项工作中，作者提出了“群体基础”机制，将动作基础（如何将词语转化为动作）和奖励基础（如何根据过去的策略/奖励对生成新奖励）扩展到一种方法，其中与人类的主动交互通过在线消息平台进行中介。Tsuruta等人（2021）研究了一个有些互补的案例，询问虚拟代理是否可以设计成促进在线平台上人类代理之间的沟通。使用基于代理的模型，他们展示了证据，表明人工系统原则上可以通过广播“吸引人”的信息来邀请其他个体加入一个集群，通过在现有集群之间传输任何类型的信息，或者结合这两种策略来改善混合交互系统中的沟通。Suda和Oka（2021）也研究了人类和虚拟代理的交互，但这里重点是成对交互，虚拟代理以代表人类的化身出现。这项工作旨在研究与现代在线平台中常见的化身-化身场景相比，人类-化身交互中可能出现的差异。他们还询问交互，即化身模仿主体的面部表情，是否会影响人类的决策，展示了模仿似乎能改善合作行为的证据。

在涉及人类以外生物系统的混合交互中，Kadish等人（2019）提议使用声景生态学（研究生物之间声学关系的学科）在混合社会中研究生态位分化，即竞争物种如何以不同方式利用环境以共存。Luthra和Todd（2021）则专注于社会搜索，即使用社会信息来定位资源，为正式研究可能导致信息共享的机制铺平道路，包括混合交互系统（例如，Halloy等人，2007中的气味）。Chen等人（2019）描述了一个机器人接口，可以促进人类与微生物生态系统（nukabot）之间的交互，参见图5。使用多种传感器，他们的机器人监控传统日本泡菜发酵床（日语中称为“nukadoko”）的状态，其中包含乳酸菌、酵母和革兰氏阴性菌的菌落。该接口作为菌落的人工拟人化，如果nukadoko需要搅拌，会提醒人类，并提供关于三个发酵阶段之一和泡菜预测味道的信息。

另一方面，Mariano等人（2018）部署了机器人与蜜蜂发展沟通形式。在自然界中，蜜蜂被认为使用振动模式向其他蜜蜂发送信号，例如要求它们冻结或减速。在这篇文章中，使用机器人代理，通过遗传算法进化不同的振动模式，以在人工系统和蜜蜂之间作为语言，在这种情况下说服它们在嗡嗡作响的机器人附近停止移动。同样，Rampioni等人（2018）的提议也旨在构建一种新的语言，在这种情况下是化学语言，在合成细胞和生物细胞（一种致病细菌，铜绿假单胞菌）之间，利用系统可以随时间学习交互的方式。再次使用蜜蜂，Dorin等人（2018）创建了一个系统，生成温室的种植布局，以最大化授粉，他们有前途地称之为技术生态系统，遵循人类与人工代理主动合作设计和更好控制复杂系统的想法。

在相同的混合交互范式下，Iizuka等人（2019）进行了生物有机体（鱼）和人工代理的实验，如第2.3节已经讨论的那样。有趣的是，这篇文章还描述了通过使用生物有机体和人工代理进行其他实验来测试不同交互理论的潜力。例如，Iizuka等人（2018）的结果描述了基于神经网络的控制器，通过生物数据学习鱼的传感器运动映射，如何优于Iizuka等人（2019）中使用的Boids规则。然而，Iizuka等人（2018）在纯合成（即模拟）群体中的个体上测试了他们的基于网络的控制器。因此，进一步的调查将需要验证这一结果，以验证Iizuka等人（2019）讨论的与生物系统的混合交互类型。

4 | 结论

人工生命（ALife）是一个研究领域，传统上包括研究“可能的生命”（Langton, 1989）的工作。在本概述中，我们介绍了一个最近在ALife和其他领域（包括心理学、人机和脑机接口、数学、工程、虚拟和增强现实技术）交叉点上出现的活跃研究领域。这个领域由作者命名为混合生命，专注于三个互补的主题：（1）系统理论，研究系统和代理的正式第一原理定义，（2）混合增强，询问如何使用不同类型的组件扩展系统的感知、认知和运动能力，以及（3）混合交互，探索具有高度自主性的系统之间的合作，重点是不同类别个体（例如，生物和人工）之间的交互。在本概述的第一部分，我们重点介绍了一些我们认为构成三个主题起源的基础背景研究，或全面实现混合生命核心思想的突出尝试。在第二部分，我们讨论了一系列在作者组织的年度国际人工生命会议特别会议中出现的例子，时间跨度为5年（2018–2022）。虽然涵盖了特别会议的所有贡献材料，但手稿第一部分中无法详细探讨不同相关领域的几项工作。其中一些领域包括例如伦理，在我们的特定情况下是ALife系统的伦理。本文中描述的大多数技术和框架，包括在混合生命会议中发表的文章，都具有潜在的无限应用，然而，它们的伦理影响和风险值得更仔细的考虑。被微型无线电控制组件操纵运动的昆虫不仅可以用于农业目的（例如，运输花粉）、救援和探索，还可以作为战争武器（Siljak et al., 2022）。虚拟现实技术可以创造整个新世界供探索，但可能对儿童发展等构成风险（Kaimara et al., 2022）。在这些和其他几个明显的例子之后，混合生命研究未来的主要重点应包括对系统理论、其增强和交互发展的伦理承诺和道德评估及义务的探索（Witkowski & Schwitzgebel, 2022）。

https://wires.onlinelibrary.wiley.com/doi/pdfdirect/10.1002/wcs.1662