从宇宙的角度，解释TA为什么让生命存在？

从你的角度上说，你也不希望体内有艾滋病毒。

但你不想、不让，就真的能没有吗？

宇宙最浪漫之处就在于：无与伦比的复杂事物也能从极致的简单中无意识、自发地产生出来。

即使是“生命”的存在也不需要一个TA。

以下文章很长，可能还有不少段落会被认为偏题，不过答主还是想尝试把这个看似属于哲学范畴的大问题用科学来说清。也许最后你会发现，现代科学已经能在很大程度上去解释那些曾经不得不尴尬地搬出一个TA才能回答问题。

概要

复杂的产生（分形、曼德勃罗集）

多样性的产生（混沌、蝴蝶效应、洛伦兹吸引子）

进化与智能（自然选择、遗传算法、元胞自动机）

我们的现实世界看上去是那样的复杂与混乱。放眼望去，眼前的事物好像都没有任何规律，简直就是一团糟，即使我们知道它们都在按照某种规律在运转。多数情况下，我们只能在理科的课本中才能接触到特别规整的东西：完美的圆形与立方体、精确的物理定律、用字母就能描绘出的化学反应・・・可一当我们回到现实世界，就会感受到深深的挫败感。哪怕是一片叶子，任何公式定律似乎都束手无策。不规则的形状与近乎无限的细节，让我们很难想象可以用一种简洁的表达将其描述出来。而在地球上这样各不相同的叶子多到数也数不清。因此，不要说生命的存在了，连创造叶子这样的事看上去也是一件只有TA才可能完成的任务。难道不是这样吗？

不是的。

答主想述说的第一件事就是：复杂的事物完全可以从简单中诞生出来。

复杂源于简单

一谈到复杂的事物，我们往往倾向于认为事物之下的规律也是复杂的。其实不然。让我们回到一片叶子的例子，创造一片叶子真的有那么困难吗。下图就是一张由人工制作的蕨类植物的图像。这里需要指出的是，这个由人工创造的植物包含了无限多的细节，注意，是真正的无限，对叶子任何一个细节部位你都可以无限倍地进行放大，并得到无限多的更多细节。好了，请来想象一下描述这个图像会有多难。

事实上，将上面的图像写成数学表达式的话只需要下表这28个数字：四个2×2变换矩阵、四个2×1平移向量和四个变换的加权概率(每个吸引子)。当然，这需要一定的数学知识，但是我们的确只需要这28个数字就能描绘出这片无限复杂的叶子。

通过一个或多个仿射变换的迭代，可以生成再现真实形状的分形，例如山、云或植物。这里我们不关心数学上的计算过程，而是从几何的角度来构建复杂性。首先必须引出的概念就是“分形”（Fractals）。

简单地说，分形是一种在所有尺度上都与自身相似的几何对象。如果你放大一个分形物体，它看起来会和原来的形状相似或完全一样，这个性质叫做自相似性（self-similarity）。自相似物体的一个例子是谢尔宾斯基三角形（Sierpenski triangle），如下所示。

仔细观察我们会发现大三角形由三个较小的三角形组成，它们的尺寸(边长)是原来的一半，而其本身又由三个更小的三角形组成，如此类推。在所有的尺度上，谢尔宾斯基三角形都是一个完全自相似的物体。

自相似或标度的性质与维度的概念密切相关。事实上,“分形”这个名字来源于分形物体具有分数维的性质。

一维线段具有类似于分形的缩放属性。如果将一条线段分成N个相同的部分，每个部分将按比例缩小，比例为r = 1/N(例如，将一条线段切成两等份，得到两条各为原长度一半的线段)。类似地，二维对象，例如正方形，可以被分成N个自相似的部分，每个部分按因子r = 1/N^(1/2)缩小(即，如果你将一个正方形切割成4个大小相等的正方形，那么每个新正方形的大小(边长)是原始正方形的一半)。

自相似的概念自然导致了向分数维的推广。如果将一个自相似的D维物体分成N个更小的副本，每个副本将按比例缩小一个因子r，其中

现在，给定一个由因子r缩小的N部分组成的自相似物体，我们可以从上面的等式计算它的分形维数(也称为相似性维数)

作为一个例子，让我们来计算著名的冯·科赫曲线的维数，它有时被称为“科赫雪花”(Koch Snowflake)。科赫雪花是通过简单的递归几何程序生成的:

• 将一条线段分成三等份
• 删除中间线段(=原线段的1/3)
• 用两个相同长度的线段(=原始线段的1/3)替换中间线段，使它们都连接起来(即3个长度为1/3的连接线段变成4个长度为1/3的连接线段。)

然后对三角形边上的每条线段无限重复上述过程，就得到了科赫雪花。

它的分形维数是由曲线的定义给出的:N = 4，r = 1/3(记住4段各为原线段的1/3大小)。

也就是说，科赫曲线既不是1维也不是2维，而是介于两者之间。太奇怪了，分形的维数居然不是整数。但这正是分形的奇特之处。

科赫雪花的另一个有趣的特性是，它包围了一个具有无限周长的有限区域。

下面这个视频很好的描绘了包括谢尔宾斯基三角形和科赫雪花在内的分形图案是如何形成的。

这就是神奇的“分形”。将简单的几何图案按照程序不断进行自相似迭代就可以在有限的空间里创造出无限的复杂。说到分形，最令人叹为观止的应该就是“曼德勃罗集”了。

被称为“上帝的指纹”的曼德勃罗集可能是人类发现的最为复杂而美丽的结构。曼德勃罗集图案中的任意部分都能被永无止境地放大得到无穷无尽的细节，每一次放大都会看到类似的模式，但又绝不完全相同。而它仅由一个十分简单的递归复方程描述（如果将复数c表示为复平面上的点，则在该平面上，曼德勃罗集被表示为分形图形）：

让我们忘记答主正在回答什么题目，先短暂沉浸在下面的图片和视频中一会儿！

分形从几何上诠释了“复杂”的来源。即使是最简单的结构，按照一定的程序经过反复迭代也能产生无与伦比的复杂性。复杂与简单并不是两个相反的概念，而是同一个概念的两种不同形式。自然界中许多看似复杂的结构与过程在本质上都是从简单规则出发，通过类似的机制逐渐堆积出的。

混沌孕育出多样性

在日常语言中，“混沌”意味着不可预测或随机行为的存在。这个词通常带有负面含义，涉及不良的混乱或无序。然而，在科学领域，这种不可预测的行为不一定是不可取的。混沌的科学含义可以总结为以下陈述:

"Chaos often breeds life, when order breeds habit." （混沌往往孕育生命，而秩序则孕育习惯）– Henry Adams

混沌是非决定论的最佳状态——在拉普拉斯的世界里，这是一个完全陌生且不受欢迎的概念。这个词的科学用法是由李天岩和Yorke, J. A.在他们的开创性论文“Period Three Implies Chaos（周期3意味着混沌）(1975)”中首次提出的。简单说来，混沌体现了三个重要原则:

• 对初始条件极度敏感
• 因果不成正比
• 非线性

天气预报是个典型的例子。

天气预报是一个极其困难的问题。气象学家可以预测短时间内的天气，最多几天。若超过这一时间，预测的准确率则一般都很差。

爱德华·洛伦茨是麻省理工学院的数学家和气象学家，他热爱天气研究。随着计算机的出现，洛伦茨看到了将数学和气象学结合起来的机会。他着手建立一个天气的数学模型，即一组代表温度、压力、风速等变化的微分方程。最后，洛伦茨将天气简化为一个包含12个微分方程的模型。

1961年冬日的某一天，洛伦茨想要重新检查来自他模型的一系列数据。他决定节省时间，从中间的某处将之前输出的数输入计算机，作为后续运行的初始条件，而不是从一开始完整运行。然而不寻常的事发生了。第二次运行的数据本应与第一次运行的数据完全匹配。但结果是，虽然一开始它们很匹配，但中途开始却出现了显著的差异——第二次运行在模型中的几个月内就失去了与第一次运行的所有相似性。他的两次运行的数据曲线如下:

起初，洛伦茨认为他的电脑坏了。发现没有故障后，洛伦茨终于找到了问题的根源。为了节省空间，计算机的输出只显示三位数，而计算机内存中的数据则包含了六位数。而洛伦茨在第二次运行时输入了上次输出的四舍五入后的数据，并假设这种差异是无关紧要的。

这让洛伦茨意识到长期天气预报注定要失败。他的简单模型反映了系统“对初始条件的敏感依赖”，这种现象有时被称为“蝴蝶效应”，也就是哪些我们经常能在“鸡汤”中听到的描述，诸如“南美洲的一只蝴蝶扇动翅膀会影响北美的天气”。于是问题出现了：为什么一组完全确定的方程会表现出这种行为？毕竟，科学家经常被告知，微小的初始扰动会导致行为的微小变化。在洛伦茨的天气模型中，情况显然不是这样。答案在于方程式的性质：它们是非线性方程。非线性系统是混沌理论的核心，并且经常表现出极其复杂和混沌的行为。

洛伦茨的第一个天气模型虽然表现出了混沌行为，但它涉及一组12个非线性微分方程，很难对混沌进行研究。洛伦兹决定在一组更简单的方程中寻找复杂行为。物理模型很简单：把一种气体放在一个底部有热源的实心矩形盒子里。

洛伦茨简化了一些流体动力学方程(称为纳维-斯托克斯方程)，最终得到了一组三个非线性方程：

其中，P是普朗特数，代表流体粘度与其导热率之比，R代表系统顶部和底部之间的温差，B是用于容纳系统的盒子的宽高比。洛伦茨使用的值是P = 10，R = 28，B = 8/3。从表面上看，这三个方程似乎很容易解决。然而，它们代表了一个极其复杂的动力系统。如果将结果绘制成三维图，就会得到下图，称为“洛伦茨吸引子”（Lorenz attractor）。

这个吸引子在y-z和x-z二维平面上的投影如下:

下面这个视频可以更好的观察洛伦茨吸引子

洛伦茨吸引子是“奇怪吸引子”的一个例子。奇怪吸引子不同于其他相空间吸引子，因为我们不知道系统在吸引子上的确切位置。吸引子上在某一时刻彼此靠近的两个点在随后的时间里可能会任意远离，而唯一的限制是系统的状态保持在吸引子上。奇怪吸引子也是独特的，因为它们从不自我封闭——系统的运动从不重复（非周期）。在这些奇怪吸引子上描述的运动就是我们所说的混沌行为。

洛伦茨吸引子是第一个奇怪吸引子，但是有许多方程系统都会产生混沌动力学。其他奇怪吸引子的例子包括罗斯勒（Rössler ）和赫农（Hénon）吸引子。罗斯勒吸引子起源于研究化学反应中的振荡。它由另一组纳维-斯托克斯方程构成，即:

其中A = 0.2，B = 0.2，C = 5.7时，这个吸引子在x-y平面上的投影是:

另一个递归创建的奇怪吸引子是Hénon吸引子:

人们经常从物理系统中寻找混沌，但它也在生物学中也会表现出来。生物学家一直在研究不同物种种群的可变性，他们发现了一个方程，可以相当好地预测动物种群。这个方程是一个简单的二次方程，称为逻辑斯蒂差分方程(Logistic difference Equation)：

从表面上看，人们不会期望这个简单的方程能展示出极其复杂和混乱的行为。

方程中的r是所谓的“种群增长潜力指数”。该方程的应用方式如下：以一个固定的r值和初始值x0开始，然后递归运行该方程，得到x1，x2，. . .xn。对于较小的r值，xn(当n趋于无穷大时)最终收敛于一个数。在生物学中，这个数字(当n接近无穷大时的xn)代表该物种的数量。当然这里我们不需要去探讨生物学中的意义。

但当r慢慢变大时，有趣的事情就发生了。当r=3.0时，xn不再收敛，而是在两个值之间振荡。这种特有的行为变化被称为分叉。进一步调高r，xn会在四个值而不是两个值之间振荡。随着r不断增大，xn经历了八个周期的分叉，然后是十六个周期，然后是混沌！当r的值等于3.57时，xn既不收敛也不振荡，其值变得完全随机。对于大于3.57的r值，其行为很大程度上是混乱的。然而，存在一个特定的r值，此时序列再次以3为周期振荡。随后分叉又从周期6，12，24开始，然后回到混沌。事实上，这是在李天岩和Yorke, J. A.的著名论文《周期3意味着混沌》中发现的任何具有周期3的序列都会表现出其他周期的规律周期，也会表现出混沌周期。

逻辑斯蒂差分方程的分叉图如下所示:

混沌可以从有序中毫无预兆地出现，又可以毫无预兆地跳变回有序状态。而且这一切我们都无法预知！简单或复杂，秩序或混沌，到底哪个才是自然界的本质。

无论如何，我们现在知道：对初始值极其的敏感以及不可预见性是混沌的重要特征。这里还可以引申出更多的话题：三体运动不可解、决定论和非决定论、自由意志……不过这些离题太远，就不在该回答中进行说明了。

回到现实，混沌带给我们了什么？是毁灭与混乱吗？不，恰恰相反。混沌带给我们最大的礼物就是世界的“多样性”。如果没有混沌，那么这个世界一定是自相似的。这种十分规整的世界并不能让人打起精神来。而混沌的精彩之处在于，哪怕是初始条件有一点点细微的差异，我们就能在迭代的过程中发现无穷的可能。

自相似、初始值的差异、迭代。

这些词语能让我们联想到什么？是否有些许熟悉。让我们把这3个词分别替换为以下的近义词：

复制、变异、遗传。

是的，这正是生物进化理论中的关键词。40亿年前的一个单细胞是如何演化成现今地球上繁多的物种的。我们看看下面这张图，

这是多么复杂的进化谱图啊！然而隐藏在这复杂之下的规则却是如此的简单——复制、变异、遗传——生物通过复制基因繁衍后代，但有时会因为环境的影响导致非常细微的随机变异产生（基因突变和重组）。如果变异适应环境则被保留并遗传给后代，不适应则被淘汰。这就是自然选择，是生物进化和适应的主要机制，所有现代物种都是起源于共同的祖先。

自然选择导致的进化产物就像是“设计”出来的，却不存在设计者。是机遇、自然选择和漫长的时间造就了这一切。并不存在“智能”引导了生物的进化或设计。

进化是计算

首先庆祝一下我们从上一段的末尾处开始终于有些靠近题主的问题了。不过包括题主在内的朋友也许并不满足于此，还可能会问到：生物进化看上去确实与分形和混沌有关，这意味着进化只是一种计算吗？如果是，那执行这种计算难道不需要一个TA吗？另外，像人类拥有的智能也能够仅凭借自然的力量无意识地孕育出来吗？

回答这些问题将更加困难，也不可能有标准答案，甚至不存在一种已经让科学界普遍接受的答案。不过请允许答主还是坚持站在「世界不需要TA」「进化过程是计算过程」的主观角度上再往深处谈一谈。

我们先看看以下这3个视频。视频分别展示的是鸟群在空中的飞舞、蚂蚁协作搭桥帮助同伴前行、免疫细胞攻击癌细胞。

它们的共同特点是， 一些本身并不具有智能的简单个体聚集成群，组成一个庞大的系统，使得系统整体表现出了惊人的复杂行为，而系统中并不存在一个处于中心地位的指挥者，每个个体几乎只与相邻的个体交换信息。单只的鸟儿并不聪明，然而鸟群却能表现出无比复杂却互不干扰的集体模式；蚂蚁几乎是最简单的生物之一了，但蚁群却能在没有发号者的情况下完成自我组装、自我调节的集体结构；免疫系统的行为是通过大量简单参与者（B细胞、T细胞、巨噬细胞等）的独自行动产生，并没有谁在进行掌控。这些参与者的行动可以看做某种化学信号处理网络，一旦有一个细胞识别出入侵者就会触发细胞之间产生信号雪崩，从而产生精巧而复杂的反应。

简单的个体分别执行某种简单的行为，系统中自然而然就产生出了复杂。而且这种复杂甚至可以表现出类似“智能”的行为。

《科学》杂志在2002年刊登了一篇文章，题为《社会性昆虫行为的计算》（Getting the Behavior of Social Insects to Compute）^[1]，文中介绍了一些昆虫学家的工作，他们将蚂蚁群体的行为等同于“计算机算法”，每只蚂蚁都执行简单的程序，使得整个种群作为一个整体执行复杂的计算，比如在决定何时将巢穴搬往何地的问题上形成一致。

如果有只蚂蚁来领导和决策，很容易就能在计算机上编出程序来进行计算。其他蚂蚁只需按照领导者的决策来做就行了。然而，在蚂蚁群体中并没有领导者；蚁群“计算机”由数百万只自主的蚂蚁组成，每只蚂蚁都只是根据与一小部分蚂蚁的交互来进行决策和行动。这种计算与具有CPU和内存的普通电脑进行的计算差别很大。与此类似，1994年三位杰出的大脑科学家也写了一篇文章^[2]，阐述了一个深刻的问题：“大脑是计算机吗？”他们认为，“如果我们同意接受更宽泛的计算概念，答案就一定是是。”同蚁群一样，大脑的计算方式——数以亿计的神经元并行工作，而无须中央控制——也与现代的数字计算机的运作方式完全不同。

上面的例子似乎纷纷都在暗示：智能可以从复杂系统中自发地产生出来，而且产生的过程就是让处于网络中的个体分别执行程序，即利用算法进行计算。

为了明白这个过程是怎样进行的，首先要搞清楚“计算”这个词的含义。当我们在讨论“计算”时我们到底指的是什么。

想象一个场景：一个会计员坐在一把椅子上，身前的桌上摆放着一张纸、一支笔和一个算盘，她想要计算一个问题：“3+2=？”。请问，为了得到这个问题的答案，在这个场景中的哪些事物是必要的，哪些是非必要的。

这看上去很简单，显然桌子和椅子对计算没有任何帮助，需要排除掉。纸、笔和算盘可以虽然从不同角度提供帮助计算的手段，但也不是绝对需要的东西，因此是非必要的。那么，不难得出只要有这个会计员本身在场就行了（当然更极端的朋友可能会说只要有她的大脑就行了）的答案。

遗憾的是这个回答是错误的。事实上，计算并不依赖于这个会计员的存在。好吧，其实在前文中答主已经做过多次铺垫了，我们必须再次记住：计算可以是一个自发的过程，不需要借助任何“智能”。

第一个意识到这个答案的人是艾伦·图灵。

在图灵以前，“计算”被理所当然地认为是只有人才能完成的事。那时，英语中“computer”一词的意思还不是“计算机”，而是指一种叫“计算员”的人类职业。而天才的图灵看到了“计算”的本质：只要给定数据与指令，计算就能自发地、无意识地自动进行。在上面的问题中，计算“3+2=？”不需要任何人的存在，需要的只是这条指令本身。

这个思想正是现代计算机的基础，计算机中的0和1就是构成这些数据与指令的最小信息单元。图灵所揭示出来的信息的力量在某种程度上来说已经超越了智慧本身，只要合理地运用信息很容易就能达成许多人类大脑无法完成的使命。图灵在第一台计算机诞生之前就证明了通用图灵机在原则上能够计算所有“可计算”的东西，并将其永远留在了1936年发表的那篇伟大而不朽的论文上——《论可计算数及其在判定问题上的应用》(On Computable Numbers, with an Application to the Entscheidungsproblem)。这是「现代计算机」与「人工智能」最初的源头。

20世纪60年代初，一些研究团体开始在计算机中进行进化模拟实验。这些研究现在统称为进化计算（evolutionary computation）^[3]。其中最为著名的是密歇根大学的霍兰德（John H.Holland）和他的团队进行的遗传算法（genetic algorithms）研究。

霍兰德在1975年的著作《自然与人工系统中的适应》（Adaptation in Natural and Artificial Systems）中列出了一组适应性的普遍原则，并且提出了遗传算法的构想。遗传算法的基本规则如下：

1. 生成候选方案的初始群体。生成初始群体最简单的办法就是随机生成大量“个体”，在这里个体是程序（字符串）。
2. 计算当前群体中各个个体的适应度。
3. 选择一定数量适应度最高的个体作为下一代的父母。
4. 将选出的父母进行配对。用父母进行重组产生出后代，伴有一定的随机突变概率，后代加入形成新一代群体。选出的父母不断产生后代，直到新的群体数量达到上限（即与初始群体数量一样）。新的群体成为当前群体。
5. 转到第2步。

是不是与自然选择的原理极其相似。事实上，利用遗传算法我们已经可以很轻易地就在电脑上模拟进化出各种各样有趣的“生命”。这些生命与传统意义上的机器人不同，它们的行动无需我们发出任何指令。必要的只是一个初始的规则，然后它们就能自发的进化，而且你完全无法预测它们将变成什么样子。以下几个视频就是一些有趣的例子。

这是一个简单的虚拟生物使用遗传算法学习跳过一个球。一共历时了249代，不过最终它能进行完美的跳跃。

下面这个模拟的目的是让虚拟生命不要跑出平台，经过几代的繁殖它们实现了。

下面的视频是利用遗传算法模拟植物的生长

而另一种被称为“元胞自动机”的模型更是直接立足于复杂系统的基本特征去模拟和描述复杂性的，因此更具有针对性、典型性和准确性。元胞自动机方法的基本出发点有三个方面：

1. 复杂系统是由许多基本单元组成的
2. 每个基本单元的状态为有限的几种
3. 每一基本单元的状态随时间的演化只取决于相邻单元的状态

不同于一般的动力学模型，元胞自动机不是由严格定义的物理方程或函数确定，而是用一系列模型构造的规则构成。凡是满足这些规则的模型都可以算作是元胞自动机模型。元胞自动机模型虽然非常简单，但可以说是复杂系统的理想化模型。同自然界的复杂系统一样，元胞自动机也是由大量简单个体（元胞）组成，不存在中央控制，每个个体都只与少量其他个体交互。而且元胞自动机也能表现出非常复杂的行为，它们的行为很难甚至不可能通过其更新规则来预测。

由于元胞自动机的构建没有固定的数学公式，构成方式繁杂，变种很多，行为复杂，故其分类难度也较大。基于不同的出发点，元胞自动机可有多种分类，其中，最具影响力的当属S. Wolfram在80年代初做的基于动力学行为的元胞自动机分类，而基于维数的元胞自动机分类也是最简单和最常用的划分。

Wolfram从最简单的一维元胞自动机开始研究。这样的一维元胞自动机初始条件十分简单：每个元胞格子只有生存(黑色)和死亡(白色)两种状态，最左边和最右边的格子视为相连在一起形成闭环。

所有元胞格子的初始状态被给人为给定，之后每个格子的状态都会根据周围两个相邻元胞的状态而改变。我们可以把邻近元胞如何影响当前元胞状态的规则进行编码。对于图中最简单的、由八个元胞机组成的系统，我们用八位二进制码就可以把初始状态编码为：01101110，Wolfram把这个二进制序列简单的当成二进制数，翻译成十进制是110，这个规则就被叫做“规则110”。如果更新状态是00011110，则为“规则30”。

Wolfram用团队自己开发的计算机语言“Matliematica”编程运行元胞自动机，并绘制它们的时空图。下面分别是规则110和规则30的时空图。规则110中有200个元胞，初始状态随机设置，逐行往下更新了200时间步。规则30也是从随机初始状态开始。无法预测的复杂图样就这样从极其简单确定系统中涌现出来了，这实在是令人惊叹不已。

Wolfram在详细分析研究了一维元胞自动机的演化行为，并在大量的计算机实验的基础上，将所有元胞自动机的动力学行为归纳为四大类：

• 类型1：不管初始状态如何，最后几乎都停止在不变的最终图样。
• 类型2：不管初始状态如何，最后要么停止在不变的图样，要么在几个图样之间循环。具体的最终图样依赖于初始状态。
• 类型3：大部分初始状态会产生看似随机的行为，虽然也会出现三角形等规则结构。如规则30。
• 类型4：有序与随机的混合。局部结构相当简单，但是这些结构会移动，并以非常复杂的方式相互作用。如规则110。规则110还在2002年被证明能进行通用计算^[4]，它几乎可以说是目前已知的最简单的通用计算机。

我们不难从这些美妙的图案中看出Wolfram的“野心”：宇宙中的万物是不是都能用这种简单的程序进行解释？

在2002年出版的《一种新科学》（A New Kind of Science）中，Wolfram将规则110的通用性视为“新的自然定律”^[5]——他提出的计算等价性原理（Principle of Computational Equivalence）——的有力证据。Wolfram提出的这个原理包括4部分：

1. 思考自然界中的过程的正确方法是将它们视为计算。
2. 像规则110这样极为简单的规则（或“程序”）都能进行通用计算，这表明通用计算的能力在自然界中广泛存在。
3. 通用计算是自然界中计算的复杂性的上限。也就是说，自然系统或过程不可能产生出“不可计算”的行为。
4. 自然界中各种过程实现的计算在复杂程度上都几乎等价。

诚然，《一种新科学》中的思想即使在现代科学中也是十分激进的，必须承认目前没有任何证据表明所有的自然过程都等同于计算。但这样的思想是不可或缺的，特别是在讨论所谓“终极问题”的时候它会带给我们至关重要的启发。

回到最初的问题：TA为什么让生命存在？

现在我们了解到，生命诞生的过程很可能是自发而无意识的，不需要目的、不需要主观能动、也不需要TA。因此探讨“为什么”也就失去了意义。只需要一条简单的规则加上漫长的时间，万物就能自然而然地被“计算”出来。

最后，让我们再来看看这张进化树。我们，人类，在这颗巨树上只是最右下角的一个小点。目前我们处于进化树的最前端，但也正因为如此，我们必须认识到：如此高等的我们并不是突然被TA以一种高明的手段创造出来的，我们与其他所有在这张图上的生物一样，来自于40亿年前的一个微小的单细胞。这个细胞很“笨”，它只能按照一个简单的规则——复制遗传信息，随机出现变异，交给环境进行选择——让一部分后代生存下去。这是一个极其艰辛的过程，经历了无数回试错与多次灭绝的危机最终发展出（并同时淘汰掉）了包括我们在内的各式各样的物种。而现在的我们仍然谈不上完美，进化的过程并没有停止，“计算”仍将继续进行下去。

后记

本文实际上是答主对以下问题回答的后续。该回答是从另一个角度（熵）来对“复杂”这个概念进行阐述，有兴趣的朋友可以去看看。

另外，本文也不代表答主完全赞成最后的“万物即计算”的观点。事实上答主的立场是：宇宙中存在不可计算的事物（即使是数学中也存在不可计算性），宇宙的本源是“不确定性”。

这将与本文没有涉及到一些更深的问题扯上联系：诸如「意识是什么 」「计算机能否产生意识」等。这些问题答主将另开一篇文章进行阐述，预想它大致将包含以下内容：

量子力学与热力学、大爆炸与黑洞问题、通用图灵机停机问题、哥德尔不完备性定理

这里就仅做一个预告，敬请关注。

参考

1. ^ Shouse，B.，Getting the behavior of social insecte to compute.Science，295（5564），2002，2357.
2. ^ Churchland，P.S.，Koch，C.，＆Sejnowski，T.J，What is computational neuroscience？E.L.Schwartz，Computatwnal Neuroscience.Cambridge，MA：MIT Press，1994，pp.46-55.
3. ^ Fogel，D.B.，Evolutionary Computation：The Fossil Record.NewYork：Wiley-IEEEPress，1998.
4. ^ Cook，M.，Universality in elementary cellular automata.Complex Systems 15（1），2004，1_40.
5. ^ Wolfram，S.，A New Kind of Science.Champaign；IL：Wolfram Media，2002，p.235

你为什么要让你脸上的螨虫存在，要让你血液里的疱疹病毒一直存在，要让你肠道里的各种细菌存在？