进化允许生命探索几乎无限的多样性和复杂性。科学家希望在实验室或计算机模拟中重现这种开放性，但即使是机器学习和人工智能等复杂的计算技术也无法提供与进化相关的开放式修补。在这里，比较了计算和生物学中开放性的常见障碍，看看这两个领域如何相互通知，并最终使机器学习能够设计和创建开放式可演化系统。
正如查尔斯·达尔文在他1859年开创性的着作“物种的起源”一书中所写的那样，“虽然这个星球按照固定的万有引力法循环运行，但从如此简单的开始，无尽的形式，最美丽，最精彩的一直是，并且正在进化。“科学家们长期以来一直认为，地球上生命形式的多样性和范围，证明生物进化是以开放的方式自发地创新，不断发明新事物。然而，构建进化系统的人工模拟的尝试往往会限制它们可以产生的复杂性和新颖性。这有时被称为“开放性问题”。由于这个困难，迄今为止科学家们可以'
在人工生命杂志上发表的一项新研究，由日本东京工业大学地球生命科学研究所(ELSI)的Nicholas Guttenberg和Nathaniel Virgo领导的研究小组，以及复杂性评估中心的Alexandra Penn英国萨里大学(CRESS)的Nexus(CECAN)研究了生物进化开放性与机器学习近期研究之间的联系，希望通过将人工生命和机器学习的思想联系起来，将神经网络结合起来是可能的。用人工生活的动机和想法来创造新形式的开放式。
不断发展的生物系统的开放性的一个来源是生存的“军备竞赛”。例如，更快的狐狸可能会进化以捕捉更快的兔子，这反过来可能会变得更快，以摆脱更快的狐狸。这个想法反映在最近的发展中，包括将网络相互竞争以使用生成对抗网络(GAN)生成诸如逼真图像之类的东西，并且发现诸如Go之类的游戏中的策略，其现在可以轻松击败顶级人类玩家。在进化过程中，突变等因素可以限制军备竞赛的程度。然而，随着神经网络的扩大，似乎不存在这样的限制，并且随着附加数据被馈送到他们的算法，网络可以继续改进。
自研究生院以来，古滕贝格一直在研究进化的开放性，但只是在过去的几年里，他的注意力才转移到人工智能和神经网络上。大约在那个时候，发明了诸如GAN之类的方法，这使得他与之前曾开展过的开放式共同进化系统非常相似。突然之间，他看到了一个机会，可以拆除社区之间的障碍，帮助他取得进展，这对他来说是一个持续重要而有趣的问题。
研究人员表明，尽管他们可以使用缩放分析来展示进化和认知背景下的开放性，但是制作某些东西之间存在差异，例如，制作猫图片变得无限擅长，以及厌倦制作猫图片的东西，决定继续制作音乐。在人工进化系统中，程序员必须预见到这些主要的质的飞跃 - 他们需要创造一个人造世界，在这个世界中音乐可以让“有机体”决定成为音乐家。在诸如神经网络之类的系统中，诸如抽象之类的概念更容易被捕获，因此人们可以开始想象交互代理群体可以创建要在它们之间解决的新问题的方式。
这项工作提出了一些深刻而有趣的问题。例如，如果计算系统中用于质量上不同的新颖性的驱动器是从抽象内部产生的，那么什么决定了新颖人工系统的“意义”呢?机器学习有时会通过交互计算代理来创建人工语言，但这些语言仍然基于代理协作解决的任务。如果代理人确实依赖于系统内的相互作用来推动开放性，而不是作为起始材料提供的东西，那么甚至可以识别或解释出来的东西，或者是否必须是生物体在这样的系统中，为了理解它的丰富性?
最终，这项研究表明，有可能制造自主且不断发明或发现新事物的人工系统，这将构成人工智能的重大进步，并有助于理解生命的进化和起源。
