生命的核心可以被理解为一种计算过程。这个观点由冯·诺依曼和图灵等先驱提出，他们认为 DNA 实际上就是一种程序，而生命的复制过程类似于计算机执行指令。生物计算与传统的数字计算在形式上有所不同，它具有大规模并行、去中心化和随机性的特点，而这些特性并非缺陷，反而是其优势。现代人工智能的发展也同样依赖于并行处理和随机算法。近年来，“神经细胞自动机”等新模型的出现，进一步证明了复杂生命系统可以通过简单的局部计算规则涌现出整体的智能行为，加深了我们对生命计算本质的理解。
生命即程序：一个根本性的想法
早在半个世纪前，冯·诺依曼就提出了一个深刻的观点：生命与计算之间存在着根本性的联系。他指出，生命的繁殖过程就像机器遵循编码指令一样。1994年，科学家成功模拟了他设计的自我复制自动机，有力地验证了这一想法。
将DNA称为“程序”并不仅仅是一个比喻——它实际上就是如此。
在生命系统中，DNA指令被读取和执行，就像计算机程序一样。例如，“如果下一个指令是密码子CGA，那么就在正在构建的蛋白质上添加一个精氨酸”。
生物计算与数字计算的区别
尽管基本原理相通，但生物体内的计算方式与我们日常使用的计算机有显著差异。生物计算的特点包括：
- 大规模并行： 生物体内有亿万个分子机器（如核糖体）同时工作，而不是依赖一个中央处理器。
- 去中心化： 计算过程分布在整个系统中，没有一个中央控制单元。
- 随机性： 生物过程受到持续的热运动等随机因素影响，其精确性依赖于统计上的不对称性，而非像计算机逻辑门那样 99.99% 可靠。
随机性与并行性：从缺陷到优势
在生物计算中，随机性不是一个缺陷，而是一个重要特征。事实上，许多经典的计算机科学算法也需要随机性来有效运行。图灵在1951年参与设计的早期计算机中，就坚持要加入一个随机数指令。
同样，并行计算也已成为现代计算的基础。
- 现代人工智能的发展严重依赖大规模并行和随机性。
- 用于训练神经网络的算法（如随机梯度下降）就体现了这一点。
- 驱动大多数AI数据中心的 图形处理器（GPU） 本质上就是为并行计算而设计的。
传统的“冯·诺依曼架构”计算机之所以采用集中、串行的处理方式，主要是受限于早期的技术条件，例如需要用最少的昂贵且不稳定的零件完成计算。
新模型：神经细胞自动机
冯·诺依曼和图灵都预见到了不依赖中央处理器的计算形式。冯·诺依曼构想了“细胞自动机”——由简单的计算单元组成的网格，每个单元仅根据相邻单元的状态同时改变自己。
近年来，研究人员将这一概念与现代神经网络相结合，创造出了“神经细胞自动机”（NCA）。
- 在这种模型中，每个单元（像素）都运行一个小型神经网络。
- 这个网络可以被训练来“生长”出任何期望的图案或结构，远比传统的斑马条纹或豹纹复杂。
- 一个惊人的例子是，一个根据NCA规则生成的蜥蜴表情符号，不仅能重新长出尾巴，甚至还能再生头部和四肢。
这个模型有力地展示了，即使每个细胞都运行着相同的程序（就像生物体内每个细胞都拥有相同的DNA），复杂的生命体也能实现“局部思考，全局行动”。这些模拟让我们得以一窥生命系统底层的计算基础。