四为软件注入新的生命（第1页）
四、为软件注入新的生命
因此，任何对城市中软件的考察从根本上都只能是偏颇的和不完整的，我们现在进行的也一样，正是这一点比任何事情都更能够说明，这种形式的“机械空间”已经分布的很广泛，然而，这仅是个开头。计算机科学的持续发展暗示着软件将会发挥更加重要的角色，而现在它只是作为能够改变自身形式和功能的机械书写软件而已。
这样的转变是从正式的明确指定条件的程序，向强调行为的情境性、强调互动和适应的重要性以及应激特性的程序普遍性的转变。这种观念已经存在了很长时间，对人机互动的人类学的研究以及更为广泛的社会科学和人文科学的发展都是其发展的动力。①然而最近，这些利用各种各样的方法——从模糊集合到神经网络、遗传算法、生物信息学和生物计算的数据挖掘技术——的程序已经变得相当广泛。②此处，我们将对其中一项成果，即“柔性计算”运动的发展进行探讨，柔性计算包含了一系列方法，它强调恰当的而非精确的模式。
模糊计算通常是与加利福尼亚州大学伯克利分校的查德（Zadeh）在20世纪60年代的研究有关的一套技术，包括模糊集合、模糊逻辑和复杂系统理论。总体而言，模糊计算源自这样一种看法，即以精确和细节化的模式为基础的现存编程方法不适用于处理复杂的、不确定的和模糊的系统或问题。③同样，计划计算的技术源自对精确建模技术在处理许多经验问题时有限性的认识。以“再生产、转变达尔文的适者生存原则”的自然理论为基础，进化计算试图利用“自然选择的力量将计算机转变成自动优化的设计工具”①，柔性计算的概念与模糊计算，进化计算紧密地关联在一起。为了对柔性计算进行定义，查德曾表示：“柔性计算的行为榜样是人类的大脑。”②相对于强调“明确的分类”以及完善的信息所含的传统硬性计算而言，柔性计算突出的特点在于它对“非精确性、不确定性和不完全真理”的宽容。如伯尼（Bonissone）所言：
当我们试图解决现实世界中的问题的时候，我们意识到这些问题都是未经认真设计过的系统，难以被建模且有着巨大解决问题的空间……因此，我们需要能够应对这种信息不完善的、混合的、近似的推理系统。③
许多柔性计算方法已经逐渐呈现出一些共性：向生物学和自然科学寻求灵感，尤其是，进化理论已经激发了一系列可供选择的编程技术，其中最有影响力的要数遗传算法。与其他计算方法一样，遗传算法为建筑模块提供了一些最复杂的软件应用，尤其是人工智能系统。因此，无论是独立的还是将之作为柔性计算技术的典型范例，对遗传算法背后的基本原理进行简要的核查都是非常必要的。
遗传算法作为以巨大的“解空间”来解决复杂问题的机制，是由密歇根大学的霍兰德在20世纪70年代研发出来的。④为了解决“解空间”的问题，霍兰德研发出了一种“源自某些进化论隐喻的机械学习的行为模式”⑤。同其他类型的进化计算方法一致，遗传算法的工作是为给定的问题寻求答案，为了达到此目的，遗传算法采用了一种特殊的基因呈现模式①，最初被产生出来的是类似于人类基因中的染色体式的一群人或一组数据，其中每一个都代表着一种可能的解决方案。第一代候选方案在它所处的环境中被评估，即对它对于现成问题的适应度进行评估。在此适应度和所采用的遗传算法的基础上，新一代的个体就产生了。②遵照“适者生存”的原则以及基因多样性的原则，新出生的一代都应该包含比先前一代更多的解决问题的办法。理解遗传算法力量的关键在于明白，它排除了对一个问题可以拥有预先解决办法的必然性，程序设计师只需要确定一个恰当的适应度函数和遗传算法③。
遗传算法，以及其他各种柔性计算技术，对人工智能系统的发展有着极为重要的影响。人工智能包括许多具体的应用，从人工生命、机器人和认知技术，到数据处理、专家系统和智能代理。所有不同种类的人工智能系统的一个共同特点是，它们都运行在相似的巨大的解空间之中，而传统的硬性计算方法在该领域表现得非常欠缺，这就难怪柔性计算模式已经被用来解决如此复杂和模糊的难题了。的确，柔性计算以及类似的算法背后的发展动力都来自发展人工生命系统、生物统计学和其他智能技术的愿望。这一点在控制论的早期，自生物学与计算机在类似神经网络的范例中进行了持续的互动之后，就已经比较常见了。①
再反观我们对城市中软件的考察，柔性计算可以在遍布城市的嵌入式系统中寻到踪迹。智能交通灯、电梯、汽车以及洗衣机都运用模糊逻辑进行编程，许多智能交通系统也是如此②。基因算法正在帮助运行医疗诊断和检测仪器、数据挖掘技术、信用评分和行为建模系统、交通管理系统和呼叫中心电话选路技术。基因算法正在被更广泛地应用于人造生命世界，比如，计算机、金融市场模型、弹性生产系统、电信网络，甚至英国的第四频道也用它来协助安排电话和广告。③拥有自我学习能力的软件也在生物统计学和认知技术领域进行推广（例如，在视觉认知系统中）。
这些技术使得机器和零件开始呈现出一些身体智能的特征。智能软件开始将新的生命带入日常生活的诸象之中，这并不意味着软件或计算机系统会因此销声匿迹，④而是期望对坚硬的、理性主义的计算能力之“情感反应”⑤能够帮助软件开始呈现出许多通常与生物的生命相关的特征。
这种新的机械形式在一系列用于识别和作用于人类身体的技术中得到了最好的体现：人脸、声音、笔迹，也许最突出的是心境和情绪。就人脸和声音而言，对它们的识别是更广泛生物统计学技术学派的一部分，其设计意图在于从个体最突出的特征来进行辨识。其他生物统计学技术，包括电子指纹、虹膜编码、掌形几何分析和手掌纹识别等一系列安全系统的使用是其研发的目的。正如我们所指出的，人脸识别技术正在城市之中成为现实，除此之外，还有如比利时的L&。H公司研发的各种类型的产品和飞利浦Xenium型号的移动电话所具有的商业语音识别包。该公司不仅正在研发语音识别在呼叫中心、消费者、商业电子包、玩具和可穿戴设备中的应用，同时还包括在文字识别产品中的应用。
诸如麻省理工学院的医学实验室等研究机构也在“情感计算”领域——拥有感知、认知、理解和与人类的心绪、心情进行互动的计算机系统——展开了大量的工作。皮卡认为真正可以互动的计算机必须拥有识别、感觉和表达情感的能力①:
不是所有的计算机都需要“关注”情绪或拥有模拟情绪的能力。一些计算机被作为数码工具使用，让它们维持原状是必要的。然而，在有些情况下，通过计算机对使用者的适应过程，人机互动可以得到进一步提升，比如，关于什么时候、什么地点、如何适应以及适应的重要性等的交流则需要情感性信息的使用。②
普鲁特沃斯基③将计算领域研究中的情感或情绪划分为三个大类：展现并交流模拟的情感效果的情感表现程序；识别并对人类情感性表达做出回应的情感检测程序；情感行为倾向，将情感过程逐渐灌输至计算机程序中以使之有更高效的程序④。因此，这些麻省理工学院的特殊项目包括了对诸如情感珠宝、表情眼镜，以及一个能够帮助指挥家放大他对观众和乐队的表现情感和意图能力的夹克等情感性可穿戴设备的研发①。其他一些项目包括情感地毯，以及能够表现使用者在真实世界中情感状态变化的虚拟情感的现实化身，如“情感老虎”等情感玩具，还有俄尔普斯，一个能够根据使用者的心情选择音乐的情感CD播放器。
情感计算设备已经进入商业世界之中。基本的情绪表达和测试技术已经在对“具体的沟通代言人”②——那些模拟对话，不仅通过更好的语言技巧，而且通过利用与诸如面部表情、手势和姿势等表达情感因素相关的一系列非语言行为的图标——的使用中得以利用。因此，这些交流手段不仅在表现性的领域中被加以利用（例如，在表现性的概念中），同时在非表现性的领域中（在空间化或者为对话提供节奏的时候）也一样。这些图标包含了一系列代理人，不仅包括游戏中的角色，还包括如虚拟宠物和虚拟伙伴等智能替身，其希望做得更好的意图也是显而易见的：
与真实的造物一样，一些代理人将成为宠物，另一些则更为自由。一些代理人将隶属于某个使用者，被他所保存，绝大部分时间生活在那个使用者的电脑中；其他一些更为自由的则并不属于任何人，他们和真正的造物一样，也会出生、死亡、再生产……我相信，我们需要它们，因为数码世界对于人类而言过于庞大，无论我们设计的界面多么完美……基本上，我们正在试图改变人际互动的本质……使用者不再仅仅是亲自操纵事物，而是管理一些作为他们的代表的代理人。③
因此基因算法扩展了生命的含义，无论是不是萨奇曼令人信服的论证，他说这些图标通常都被错误地归于与机器互动的代理人①，事实上，现在这些错误的归因已经具有了建构性的意义。通过建立并扩大人与人之间、人与机器之间以及最终的机器与机器之间的非语言**流，这些图标正试图极大地增强嵌入式系统的效用。