从神经可塑性到基因演化：跨尺度的生物计算视角

课程导入：生物计算的多尺度融合
欢迎进入《演化计算》第二课。本节课我们将完成从“大脑的学习”到“物种的演化”这一宏大视角的跨越。生物智能并非单一尺度的产物，而是由微观的神经调节与宏观的基因发育共同驱动的复杂系统。

核心探索维度：

• 神经可塑性 (Neural Plasticity)：探讨赫布规则 (Hebbian Rule) 与脉冲时序依赖可塑性 (STDP) 如何在毫秒级尺度内通过突触权重 $w_{ij}$ 的调节实现个体学习。
• 基因调控网络 (GRN)：分析基因如何通过转录因子 (TF) 的化学相互作用，在发育过程中形成稳定的拓扑结构（如 NAR, PAR 模体）。
• 跨尺度权衡 (Trade-offs)：理解系统如何在鲁棒性 (Robustness) 与 可演化性 (Evolvability) 之间寻找非支配解，这是通向 AGI 的生物启发核心逻辑。

关键科学问题：

系统如何既能抵抗环境噪声（鲁棒性），又能通过中立突变积累潜在的创新表型（可演化性）？我们将通过数学建模 $V_\phi(g)$ 与 $ \delta_\phi(g) $ 来量化这一动态平衡。