本课程的核心愿景是探讨如何通过模拟生物界的“演化-发育-学习”（Evo-Devo-Learn）三重耦合机制，构建通向通用人工智能（GAI）的底层架构。不同于传统深度学习中预定义、静态的网络结构，本框架强调智能并非被“设计”出来的，而是在环境压力下，通过遗传基因的演化、个体形态的发育以及突触权重的实时学习，自组织地涌现出来的动态复杂系统。
核心建模范式
- 三位一体的宏观建模：区分演化（优化基因指令集）、发育（实现基因到表现型的映射）与学习（处理实时环境交互），确立三者协同工作的全局蓝图。
- 动态过程的范式转移：将神经网络视为一个受基因调控网络（GRN）驱动的生长实体。AI的鲁棒性瓶颈在于缺乏自适应生长的机制，而本框架通过模拟生物生长逻辑来解决这一问题。
- SNN作为计算载体：脉冲神经网络（SNN）的时域特性和生物相似性，使其成为承载发育动力学（如神经元迁移、轴突生长）与演化算法（如编码非线性生长规则）的最佳基质。
生物学类比：大脑的“生长指南”
人类大脑并非由基因直接存储千亿个连接细节，而是存储了一套“生长指南”。在胚胎期指导神经元分裂与迁移（发育）；出生后，通过与环境互动调整连接强度（学习）。本框架即旨在计算机中复刻这一过程。