人工生命（ALife）的历史涉及通过合成手段研究生命及类生命过程，主要利用计算机模拟、机器人技术和生物化学。该领域正式出现于20世纪80年代末，但其思想根源可追溯至20世纪中叶的控制论和早期计算。人工生命研究者旨在通过自下而上的构建来理解生命系统的基本原理，而非仅分析自然生物体。这种方法将ALife与理论生物学区分开来，并在使用计算模型和涌现行为方面与人工智能、机器学习和生成式人工智能相联系。
控制论与早期计算的起源
人工生命的概念基础在20世纪40年代和50年代由探索自组织和反馈的研究者奠定。诺基亚贝尔实验室和施乐帕洛阿尔托研究中心是其中较早形成自适应系统和模拟思想的工业实验室。1943年，沃伦·麦卡洛克和沃尔特·皮茨提出了神经元的数学模型，这后来影响了神经网络研究和ALife。大约同时，诺伯特·维纳的控制论强调循环因果和反馈回路，这些思想直接启发了自调节人工系统的设计。
一个关键人物是约翰·冯·诺依曼，他在20世纪40年代和50年代发展了自复制自动机的概念。他关于元胞自动机（由局部规则更新状态的简单细胞网格）的理论工作为研究繁殖和复杂性提供了形式框架。冯·诺依曼的思想后来由数学家约翰·康威推广，其生命游戏（1970年）展示了复杂、类生命的模式能从极其简单的规则中涌现。这成为ALife中的经典范例，并启发了数代研究者。
ALife的正式诞生
“人工生命”一词由计算机科学家克里斯托弗·兰顿于1986年创造，首届国际会议“人工生命I”于1987年在新墨西哥州圣菲举行。兰顿在洛斯阿拉莫斯国家实验室工作，将ALife定义为对生命可能形态的研究，而不仅仅是现有形态。会议汇集了生物学、计算机科学和物理学的研究者，确立了ALife作为一个独立的跨学科领域。
早期ALife研究集中于进化计算和人工进化。在20世纪90年代，托马斯·雷的Tierra模拟（1991年）在虚拟环境中进化出自复制的计算机程序，展示了硅基环境中的开放式进化。类似地，卡尔·西姆斯1994年的工作使用进化算法进化出具有逼真形态和行为的虚拟生物，展示了如何通过模拟自然选择优化神经网络控制器。这些项目凸显了机器学习技术在生成复杂自适应行为方面的力量。
与人工智能和机器学习的联系
人工生命和人工智能在历史上有所交叉，但侧重点不同。人工智能传统上关注符号推理和问题解决，而ALife强调涌现、具身性和自下而上的构建。然而，2010年代深度学习和神经网络方法的兴起模糊了这些界限。诸如强化学习和进化算法等技术现在被用于两个领域，以训练与环境交互的智能体。
著名研究者已架起两个领域的桥梁。梅兰妮·米切尔是一位以遗传算法和复杂系统研究闻名的计算机科学家，她撰写了大量关于ALife和AI局限与潜力的文章。约书亚·特南鲍姆和布伦丹·莱克在麻省理工学院计算机科学与人工智能实验室和斯坦福人工智能实验室探索了如何模拟类人学习和推理，借鉴了与ALife涌现结构关注点相呼应的组合性和因果性思想。同时，迈克尔·乔丹和阿尼玛·阿南德库马尔在伯克利人工智能研究为支撑现代ALife模拟的机器学习统计基础做出了贡献。
现代发展与应用
当代人工生命研究涉及多个前沿。在机器人技术中，圣所人工智能和Figure AI的项目旨在创造具有灵巧自适应行为的人形机器人，通常使用类似ALife生态系统的模拟训练环境。这些努力利用生成式人工智能和大型语言模型技术实现自然交互和任务学习。例如，OpenAI和谷歌DeepMind开发了通过虚拟世界中的试错学习复杂技能的智能体，这种方法直接继承了ALife的进化和强化范式。
在人工智能理论中，ALife影响了开放性的研究，即系统生成日益新颖和复杂现象的能力。诸如肯尼斯·斯坦利等研究者认为，开放式算法对于实现通用智能至关重要。该领域还促进了神经网络架构设计，其中残差网络和U-Net等概念从生物系统的模块性和冗余性中汲取灵感。
挑战与未来方向
尽管取得了成功，人工生命仍面临概念和技术挑战。定义“生命”本身仍具争议，批评者质疑模拟能否捕捉生物现象的本质。梅兰妮·米切尔警告不要过度宣称ALife对理解自然生命的相关性，而约书亚·特南鲍姆和布伦丹·莱克则认为当前AI系统缺乏生物体所具有的因果理解和常识。
未来方向包括将ALife与机器学习整合以创建更稳健和自适应的系统，使用数据增强和课程学习在复杂环境中训练智能体，以及探索合成生命的伦理影响。截至2020年代中期，卡内基梅隆大学、牛津大学和多伦多大学的研究团队继续推动边界，研究人工化学、数字进化和生命起源等主题。因此，人工生命的历史是一个持续发展的叙事，日益与人工智能和生成式人工智能的更广泛轨迹相融合。