桥牌、高尔夫、槌球、西洋棋、围棋、西洋跳棋，只要你说得出名字的玩意，他都会玩。但是，很久以前对贺南而言，这些游戏就已经不只是游戏而已。他开始注意到有些游戏有一种特殊的魔力
根据议程，经济会议的第二场演讲会在第一天午餐后开始，然后持续整个下午。主讲人是密西根大学的贺南（John H. Holland），讲题是全球经济的适应性过程。
现在，亚瑟已经作完演讲，他开始对下一场演讲感到好奇，不只是因为题目听起来很有趣。那年秋天，贺南是圣塔菲研究院的另一名访问学者，他们两个人被安排同屋而居。但是贺南直到前一天深夜才抵达圣塔菲，当时亚瑟正好抓住最后机会，到修道院反覆练习第二天的演讲。亚瑟没有看到贺南，他只知道贺南是个电脑科学家，而且根据研究院的说法，他是个非常好的人。
研究院的说法似乎没错。当大家开始回座，贺南已经站上台，准备开始。他是个短小精悍、六十开外的中西部人，宽大、红润的脸上似乎随时都挂满笑容，高昂的声音使他听起来像个热诚的研究生。亚瑟立刻对他产生好感。
贺南开始演讲。几分钟内，亚瑟的瞌睡虫立刻一扫而空，聚精会神的聆听贺南演讲。
永恒的新奇
贺南首先指出，经济学是圣塔菲研究院所谓复杂适应性系统的绝佳范例。在大自然的世界里，这类的系统包括脑子、免疫系统、生态、细胞、胚胎，以及蚂蚁群等。在人类的世界里，则包括像政党或科学社群等文化及社会体系。一旦你学会如何辨识，你会发现这些体系无所不在。但是，无论在何处，这些系统似乎都有一些重要的共同特性。
第一，每一个系统都是许多作用体（agent）平行作用的网路。在脑部，作用体就是神经细胞；在生态系统，作用体就是物种；在细胞内，作用体就是像细胞核和粒线体（mitochondria）之类的细胞器（organelle）；在胚胎中，作用体是细胞，以此类推。在经济体系中，作用体可能是个人或家庭；如果以经济循环为例，作用体可能是公司；如果以国际贸易为例，作用体甚至可能是整个国家。但是无论在哪一种状况，每一种作用体身处的环境都是它和系统中其他作用体互动之下的产物。作用体不断发生作用，或对其他作用体起反应，因此，环境中几乎没有一件事是固定不变的。
贺南说，更重要的是，复杂适应性系统的控制功能非常分散。例如，我们的脑子里没有主要的神经元，发展中的胚胎也没有主要的细胞。如果系统中有任何连贯性的行为，也必然是出于作用体之间的竞争和合作。即使在经济体系中，亦复如此。问问任何一位想要振兴经济的美国总统吧，他会告诉你，不管华盛顿当局如何在利率、税政和货币供给上大作文章，经济体系的整体表现仍然依赖于数以百万计的个人每天所做的不计其数的经济决定。
第二，复杂适应性系统在组织上有许多不同的层次，每一种层次的作用体都是更高层次作用体的基本单位。蛋白质、脂肪、核酸会组成细胞，一群细胞组成组织，组织集合而成器官，器官组合成有机体，许多的有机体就会形成生态系。在脑部，一群神经元会形成语言中枢，另一群神经元组成运动皮层，另一群再组成视觉皮层。同样的，一群员工组成部门，许多部门组成公司、进而组成经济部门（economic sector）、国家经济、甚至世界经济。
不断修正和重组
贺南认为特别重要的是，当复杂适应性系统累积了相当的经验后，会不断的修正或重组它的基本单位。一代又一代的有机体经由演化的过程，修正并重组组织。当个人学习到不同的知识之后，他的脑袋会持续的加强或减弱神经元之间数不清的连系。一家公司会擢升表现好的员工，并且为提升效率，重新安排组织图。国家会签订新的贸易协定，并且结交新的盟友。
在更深入而根本的层面上，这一切学习、演化及适应的过程都如出一辙。无论在任何体系中，适应的基本机制之一就是修正和重组基本单位。
第三，所有的复杂适应性系统都能预期未来。显然，经济学家对这点丝毫不感惊讶。由于大家预期不景气会持续下去，可能使许多人延后购买新车或度假，结果就更确保了持续的不景气。石油短缺的预期心理，也可能导致原油市场上出现剧烈的买卖震荡，无论是不是真的会发生石油短缺。
但事实上，预期和预测的意义不只是人类的先见之明而已。从小小的细菌开始，每一种生物的基因中都隐含了预测的密码：在某种环境中，这种遗传蓝本所指定的有机体可能会表现得比较好。同理，每一个有脑子的生物也都有数不清的隐含性预测，被译成密码存放在学习的资料库中：在ABC的情况下，采取XYZ反应会比较有利。
一般而言，每一个复杂适应性系统都会根据它对于外界运作方式的假设，而不断作预测。而且，这些内在的假设模型不只是被动的蓝图而已，它们其实异常活跃，就好像电脑程式中的副常式（subroutine），能够在某种状况下活过来，执行（产生）系统的行为。事实上，你可以把这种内在模型想像成行为的基本单位。而它们也就像其他的单位一样，当系统获得经验时，可以被测试、精炼、重组。
均衡就等于死亡
最后，贺南说，复杂适应性系统通常会有很多利基，使每个作用体都能占得一席之地。因此，在经济的世界里，电脑程式设计师、修水管的工人、钢铁厂、宠物店都各得其所，而雨林里的树獭和蝴蝶也各有其生存的空间。而且，每个位置被填满的时候，也就为新的寄生虫、新的掠夺者或被捕食者、新的共生伙伴，开启了更多的位置。所以，系统不断开创新的机会。这也就表示，要讨论复杂适应性系统的均衡状态，是毫无意义的事情，这种系统永远也不会到达均衡状态，而总是在不断的发展、转换。
事实上，如果这种系统真有一天达到均衡，那么它的状态将不只是稳定而已，而是死亡。此外，想像系统中的作用体能不能把它们的适应力或效用发展到极限，也是毫无意义。因为可能性太大，不可能找到极限。作用体所能做的最多只是相对于其他作用体的表现，尽可能改变或改善自己的行为。简单的说，复杂适应性系统的特性就是永恒的新奇。
贺南说，难怪我们很难用传统的数学方式来分析复杂适应性系统。像微积分或线性分析之类的传统技巧，很适合描述在固定环境中不变的粒子；但是，如果真要深入了解经济或复杂适应性系统，你需要的是强调内在模型、新基本单位的突现、以及多种作用体间频繁互动关系的数学及电脑模拟技巧。
贺南一面演说，亚瑟一面振笔疾书。当贺南继续形容在过去三十年来，他为了使这些概念更精确、更有用而发展出来的各种电脑技巧时，亚瑟作笔记的速度更快了。他说：真是令人难以置信，整个下午我都目瞪口呆的坐在那里。不只是因为贺南的观念正与他过去八年来研究的报酬递增经济学不谋而合，也不只是因为贺南关于利基的观点，恰好就是他和考夫曼过去两个星期从自动催化组获得的启发；而是贺南看事情的整个统一、清晰、持平的方式，会让你拍拍额头说：当然是这样！我怎么没有想到呢？贺南的想法能使人有一种顿悟，而开始在脑中爆发更多的想法。
亚瑟说：贺南一句一句的回答了多年来我一直自问的各种问题：什么是适应？什么是突现？还有很多我自己都不晓得的疑惑。亚瑟还不清楚这一切要如何应用在经济学上，事实上，当他环顾四周，他看到其他一些经济学家如果不是根本怀疑，就是露出困惑的表情。 （至少有一个人正在梦周公。）但是，我相信贺南的研究要比我的研究复杂太多了。他觉得，贺南的想法一定非常的重要。
惺惺相惜
当然圣塔菲研究院的想法也一样。无论在出席经济会议的学者眼中，贺南的观念是多么新奇古怪，事实上，贺南早就成为圣塔菲核心分子熟悉而深具影响力的人物。
贺南第一次到圣塔菲是在一九八五年，受邀参加法默和派卡德所筹画的学术研讨会，主题是演化、游戏和学习（Evolution, Games, and Leaming）。 （也就在这次会议中，法默、派卡德和考夫曼报告了他们模拟自动催化组的结果。）贺南的演讲是谈突现，演讲进行得很顺利，但是他记得有一位听众接二连三的问他一些尖锐的问题。那个家伙头发花白，专注而略带嘲讽的脸上，炯炯目光透过黑边眼镜直射过来。我回答问题的时候有点不客气。我不认识他，如果我知道他是谁，我大概早就吓死了！贺南说。这个人是葛尔曼。
无论贺南的回答是不是很粗鲁，葛尔曼显然很喜欢贺南的想法。不久之后，葛尔曼打电话给贺南，问他愿不愿意加入当时刚成立的圣塔菲咨询委员会。
贺南同意了。我一看到这个地方就喜欢，他说：我喜欢他们谈论的话题，他们做事的方式，我的立即反应是：我希望这些家伙喜欢我，因为这地方很适合我！
葛尔曼显然心有戚戚焉。他谈到贺南时，用的字眼是才华洋溢，这可不是他平常会随便加诸于任何人的形容词。但是，葛尔曼也不是经常有大开眼界的感觉。早期，圣塔菲研究院的创办人如柯文、葛尔曼等人想到复杂科学的时候，几乎都完全绕着他们早已熟悉的物理概念打转，像突现、集体行为、自我组织等等。而且，他们原也认为，只要加上这些概念在经济学和生物学上的应用，也就足以构成非常丰富的研究计画。然后，贺南跑来发表了他对适应性的分析，更不要提他的电脑模型了。突然之间，葛尔曼和其他人发现他们的研究计画遗漏了很重要的部分：这些突现的结构实际上在做什么？它们如何对环境反应，及适应环境？
在那几个月内，他们一直在讨论研究院是不是应该不只是研究复杂系统，而是研究复杂适应性系统。而贺南个人的研究计画了解突现和适应相互牵连的过程，也就变成研究院的主要研究计画。在研究院最早的几次大型会议之一由柯文和费德曼于一九八六年筹画的复杂适应性系统研讨会中（也就是考夫曼第一次参加的研讨会），他更成为主角。第二天，潘恩斯把贺南带去参加与瑞得的讨论会。安德森也邀请他参加一九八七年九月的这次大型经济会议。
贺南欣然参加所有的会议。他已经没没无闻的在适应的概念下了二十五年的苦功。直到现在，他已经五十七岁了，才遇到伯乐。能够和葛尔曼、安德森这类的人当面谈话，而且被平等对待，真是太棒了！我简直不敢相信！如果不是他的妻子因为工作而无法离开安娜堡（她是密西根大学七家科学图书馆的总馆长），贺南花在圣塔菲的时间会更多。
但是，贺南是个乐天派。他一直都能做自己想做的事情，也一直讶异于自己的幸运，因此他有一种快乐的人特有的真诚幽默感。见到他的人几乎不可能不喜欢他。
亚瑟就是其中之一。当天下午，当贺南的演讲结束后，他就迫不及待的走上前去自我介绍。随后几天，两人立刻变成好友。贺南发现亚瑟很令人愉快。很少人能够这么快的吸收适应的观念，然后把它完整的融入自己的观念中。亚瑟对整个想法都很感兴趣，很快就抓住要领。
同时，亚瑟也发现贺南是他在圣塔菲认识的人之中，最复杂而迷人的知识分子。正因为贺南的缘故，经济会议剩下的几天议程，他都在极度缺乏睡眠的情况下度过。在许多深夜里，他和贺南围坐在厨房的餐桌，喝着啤酒，讨论科学的奥秘。
不战而胜的棋局
他特别记得其中的一次谈话。贺南来参加这次会议的原因是，他渴望了解经济学有那些重要议题。 （贺南曾跟他说：如果你要作跨学门的研究，进入别人的领域，那么至少你应该很认真的看待他们的问题。他们花了很多时间来研究。）当天晚上，当他们围坐餐桌旁，贺南单刀直入的问他：亚瑟，经济学真正的问题是什么？
亚瑟不加思索就回答：像西洋棋一样。
西洋棋？贺南摸不着头绪。
亚瑟喝一口啤酒，找寻适当的字眼来解释，其实，他自己也不完全明白。经济学家老是把系统看得封闭而单纯：系统很快就会稳定下来，顶多出现两、三种行为模式，然后，就不再发生什么事。他们假设经济的作用体都绝顶聪明，在任何情况中，都能立即察觉最有利的行动是什么。想想看，如果从西洋棋的角度来看，这代表什么意义？在博弈游戏的数学理论中，有个定理告诉你任何有限的、双人的、零和的游戏，例如西洋棋，都会有一个最理想的解答。也就是说，有一种选择棋步的方式能让黑白棋双方都有最好的表现。
当然，实际上没有人知道这个解答是什么，以及要如何找出这个解答。但是经济学家所谈论的理想经济作用体却能立刻找到解答。游戏一开始，在棋盘上两军对阵，两个作用体就能在脑中列出所有的可能性，他们能倒推出所有可能逼迫对方的棋步。然后反覆推敲，直到已经考虑过所有可能的棋步，而且发现最理想的第一步棋为止。如此一来，根本不需要真的下棋，无论谁抢得理论的先机，就可以立刻宣告胜利，因为他知道他一定可以赢，而对方也会立刻认输，因为知道他一定会输。
贺南，真会有人这样下棋吗？亚瑟问。
贺南笑了，他完全了解这有多荒谬。早在一九四○年电脑才刚发明的时候，研究人员已想过要设计一个可以下西洋棋的聪明程式。现代资讯理论之父、贝尔实验室的夏浓（Claude Shannon）估计，西洋棋中所有可能棋步的总数是十的一二○次方，这个数字大得无法比喻，在我们可观测到的宇宙中所有的粒子数目也没那么大。没有一种电脑有办法检查所有的可能性，当然更没有一个人做得到。我们人类棋手必须服膺实际经验的法则，来决定在某种状况下，采取那种策略最好。即使最超凡入圣的棋手，下棋时也得步步为营，就好像他们要下去很深、很深的洞穴，而只有手上的灯笼微光可以引路。当然，棋手会日益进步。贺南自己也下西洋棋，他晓得一九二○年代的伟大棋手决不愿冒险对抗目前的棋圣，例如卡斯帕洛夫（Gary Kasparov）。但即使如此，在无垠的未知领域中，他们只不过是前进了几码而已。这是为什么贺南叫西洋棋为开放的系统：它有无限的可能性。
亚瑟说，没错。人类真正能观察到、进而研究的形态，比起最理想的状态，还有一段距离。除非你假设你的作用体比一般经济学家都聪明。他说：但是，这就是我们解决经济问题的方式。美日贸易问题至少和西洋棋局一样复杂，然而经济学家著手解决问题的开场白是：假设这是个理性的游戏。
所以，他告诉贺南，简单的说，这就是经济的问题。我们要如何把探究无限可能性的不够聪明的作用体变成科学？
啊哈！贺南说，每当他看到一线曙光时，他就会这么说。西洋棋！这个比喻他懂。
可能性的无垠穹苍
贺南喜欢玩游戏，各式各样的游戏。他在安娜堡每个月都去打扑克牌，三十年如一日。他最早的记忆之一，就是在祖父的屋子里，看着大人玩纸牌戏，恨不得自己也已经大得可以上桌玩牌。一年级的时候，妈妈就教他下棋，她同时也是桥牌高手。贺南的家人全都热中于驾船，母子俩经常在赛船会中竞技。贺南的父亲则是一流的体操家，同时酷爱户外活动。他们全家人总是不断的变换某种游戏：桥牌、高尔夫、槌球、西洋棋、围棋、西洋跳棋，只要你说得出名字的玩意，他们都会玩。
但是，很久以前对贺南而言，这些游戏就已经不只是游戏而已。他开始注意到有些游戏有一种特殊的魔力，能超越输赢的问题。中学一年级的时候（大约是一九四二或四三年，当贺南一家还住在俄亥俄州的时候），他和几个死党经常在朋友家的地下室发明新的游戏。从报纸每天的头条新闻得到灵感，他们的杰作是占去地下室大半个空间的战争游戏。他们设计的游戏有坦克和大炮，还有炮弹发射表和射程表，他们甚至还发明了一些方法把游戏图掩盖住，来模拟烟幕。游戏变得很复杂，贺南说：我还记得用爸爸办公室的油印机来印很多战争游戏图。 （贺南的父亲开了好几家大豆加工厂，一直生意兴隆。）
贺南说：我们三个人都很喜欢下西洋棋。西洋棋是一种规则简单的游戏，但是令人惊讶的是，绝不会有两个完全相同的棋局，因为其中有无限的可能性。所以我们尝试发明有相同特性的游戏。
他笑着说，而且从此，不管采用的是哪一种方式，他都不断发明游戏。我喜欢看着情况不断演变，然后我说：嘿，那真的是从这些假设演变出来的吗？因为如果我的设计没错，如果支配整个情势发展的是游戏主题的潜在规则逐渐演化的结果，而不是由我一手控制，那么结局将会令我很惊讶。而如果我一点也不感到惊讶，那么我就不太开心，因为我知道这表示一切都照我最初的设定发展。
当然，这玩意，现在我们称为突现。但是，早在贺南听到这个名词之前，他对突现现象的兴趣，已经引发他对科学和数学一辈子的热爱，再多的科学知识都不能令他满足。他还记得求学的时候，我到图书馆去，只要是关于科学和技术的书籍都借回家。中学二年级以前，我已经决定要成为物理学家。最吸引他的不是科学能让你把宇宙万事万物都简化成几个简单的法则，而是科学能告诉你：几个简单法则如何产生极其丰富的行为。贺南说：我真是乐在其中。科学和数学从一方面来看，是化约论的极致，但是如果你从整体来看，其中蕴含无限出人意料之外的可能性。科学一方面让宇宙可以为人所理解，另一方面却让宇宙永远是个不解之谜。
参与旋风计画
一九四六年秋天，贺南进入麻省理工学院读大学，他很快就在电脑上发现了同样令人惊讶的特质。我不知道为什么，不过我很早就对思考过程着迷，还有你居然可以把一点点资料喂进电脑中，然后叫他做一堆事情。就我看来，似乎你放进去的东西少的不得了，得到的东西却多的不得了。
不幸的是，起初贺南能学到的电脑知识，除了电机课上一些零星的二手资讯外，几乎乏善可陈。当时电子式的电脑还很新奇，大部分资料都列入保密文件，当然更没有电脑课可修。但是有一天，当贺南又像平常一样，在图书馆博览群籍的时候，他看到一批用简单的论文封面套住的活页演讲笔记，当他翻阅时，他发现里面详细记载着一九四六年在宾州大学电机系所举办的学术研讨会的讨论内容。战时为了计算大炮的射程表，宾州大学发展出美国第一部数位化电脑︱ENIAC。这些笔记很有名。这是第一次在演讲中详细讨论数位化运算，他们从我们现在称之为电脑架构的观念一直谈到软体。其中，演讲还提到了像资讯、资讯处理等崭新的观念，并且解释了一种崭新的数学艺术：程式设计。贺南立刻自己买了一份演讲记录，从头到尾读了好几遍。
一九四九年秋天，当贺南开始读大四、正在寻找毕业论文题目的时候，他发现了旋风计画（Whirlwind Project）。那是麻省理工学院的研究计画，想要制造出一部速度快得能追踪空中交通的即时（real︱time）电脑。海军每年补助这个计画一百万美元，这在当时是令人咋舌的数目。旋风计画雇用了七十个左右的工程师和技师，是当时规模最大、也是最创新的电脑计画。旋风也是第一个使用磁心记忆体及交互式显示萤幕的电脑，因此而带动了电脑网路和多重处理技术（multiprocessing，一次执行不止一个程式）的涎生。由于这是第一个即时电脑，它同时也为未来在飞航管制、工业流程控制、及银行业务的电脑应用铺路。
但是当贺南第一次听到旋风计画的时候，这个计画还只是个实验。我知道有个旋风计画。计画还没有完成，电脑还在制造中，但是已经可以用了。他不知怎的，就是觉得必须参与其事，于是他开始到处叩门。他在电机系找到了一个叫柯帕尔（Zednek Kopal）的捷克天文学家，过去曾经教过他数值分析（numerical analysis）。我说服他主持我的论文委员会，又说服物理系让电机系的老师主持我的论文委员会，然后，我再去说服旋风计画的人让我参阅他们的操作手册；操作手册可是机密文件。
那段时间可能是我在麻省理工学院最快乐的一段时光，他说。柯帕尔建议他的论文题材是：为旋风电脑写一个能解拉普拉斯方程式（Laplace's equation）的程式。拉普拉斯方程式可描绘许多种不同的物理现象，包括围绕任何带电物体的电场分布及紧绷的鼓皮振动。贺南立刻着手进行。
这绝不是麻省理工学院最容易的毕业论文。当时，还没有人听说过像C语言、帕斯凯尔（Pascal）、或福传之类的程式设计语言，事实上，程式设计语言的概念直到一九五○年才发明。因此，贺南必须以机械语言来写他的程式，也就是得把电脑指令编码成数字，而且还不是一般的十进位数字，而是十六进位。他花在论文上的时间比他原本估计的要长，最后不得不要求学校宽限两倍的时间来完成。
然而，他乐在其中。我喜欢这过程中的逻辑本质，他回忆，程式设计和数学的特色一样，你走了这一步，这一步又会带你到下一步。除此之外，为旋风计画撰写程式让他发现电脑并不只是快速的计算机而已，在隐秘的一栏栏数字中，他可以拟想振动的鼓面、旋绕的电场，或任何他想要的东西。在流动的位元（bit）中，他能创造一个想像的宇宙，所需要的只是把适当的法则编成电脑密码，然后其他的一切就自然开展。
IBM的大赌注
由于贺南的论文从一开始就设定为纸上的练习，他从来没有机会真的在旋风电脑上执行他的程式。但是这篇论文却为他带来另一番丰硕的收获，使他成为当时全美少数几个懂得程式设计的人之一。结果，一九五○年他一毕业，就立刻为IBM所网罗。
时机真是再好不过了。当时，IBM正在纽约州波基浦夕（Poughkeepsie）的工厂设计第一部商业电脑国防计算机，后来重新命名为IBM七○一。当时对IBM而言，电脑代表了一个胜负参半的大赌注，许多保守派认为发展电脑只是浪费钱，还不如投资改良打孔机。事实上，一九五○年一整年，IBM产品企画部都坚持全美国的电脑需求不会超过十八部。 IBM之所以继续发展国防计算机，只不过是因为一个叫小华生（Tom Junior）的新贵对这计画情有独钟，而小华生是IBM年迈的总裁华生（Thomas B. Watson, Sr）的儿子和当然继承人。
但是，二十一岁的贺南对这些内幕一无所知，他只知道自己到了奇妙仙境。我在这里，还这么年轻，却得到最重要的位置。我属于晓得七○一电脑在做什么的极少数人。 IBM的计画召集人把贺南分配到七人的逻辑计画小组，负责设计这部新机器的指令组及一般性组织。幸运之神又再次眷顾了，贺南正好可以利用这理想的机会来练习程式设计技巧。第一阶段完成之后，我们有了电脑原型，再来就必须用各种方法来测试原型。所以工程师在白天工作，把机器拆开，然后尽可能在晚上重组回去。我们几个人则在晚上十一点钟开始，彻夜跑我们的程式，看看到底行不行得通。
就某种程度而言，确实行得通。当然，以今天的标准看来，七○一电脑仿佛石器时代的遗物，它的控制板挤满各式转盘和开关，没有电脑萤幕显示器，输入和输出的信息都得经由IBM的标准打孔机。这部机器号称有四千位元组（byte）的记忆容量（今天在市面上销售的电脑记忆容量是它的几千倍），只要三十微秒就可以算出两个数字相乘的结果。这部机器也有很多毛病，平均最多三十分钟便发生失误，所以我们每个程式都要跑两遍。贺南说。更麻烦的是，七○一电脑储存资料的方式是在一个特别的阴极射线管的表面上产生光点，所以贺南和其他程式设计师必须调整演算逻辑，以避免经常把资料写在记忆体的同一个位置，否则会增加该部分阴极射线管的表面电荷，而影响了周遭的数据。
贺南大笑：我们居然能让这部机器动起来，真是令人惊讶。事实上，他觉得瑕不掩瑜。对我们而言，这部机器已经像个巨人，我们觉得能有时间在一部快速机器上试验我们的东西，真是太棒了。
教电脑下棋
有太多东西可以实验了。在电脑刚出现的那段古早、令人兴奋的日子里，关于资讯、调控学、自动机等新观念风起云涌，谁知道何处是极限呢？几乎每一个新尝试都可能打开一片新的天地。除此之外，对于像贺南之类偏爱哲学思考的开路先锋而言，这种挤满线路和真空管的庞大、笨拙的资料库，已为思考思考开辟了新蹊径。电脑或许不像星期天的报纸副刊所形容的巨脑般利害，事实上，从电脑的结构和运作细节来看，它一点都不像脑子。但是，如果更深一层来看，可能电脑与人脑一样，都是资讯处理的装置。如此，我们也可以从资讯处理的形式来理解思考。
当然，当时没有人懂得称这类的想法为人工智慧或认知科学。尽管如此，为电脑设计程式这种前所未有的尝试，逼迫人们更仔细的思考：所谓解决问题到底代表什么意思。电脑基本上像个外星人，你必须教会它每一件事：什么是资料？资料如何转换？从这里到那里需要哪些步骤？这些问题很快就指向哲学家困惑了几百年的问题：什么是知识？如何从感官印象中获得知识？知识在心智中如何表示？如何借助经验而修正原有的知识？如何将知识运用于推理？如何将决定转化为行动？
答案在当时还混沌不明。事实上，现在也还混沌不明，但是问题却问得比过去清楚而精确。而突然成为全国电脑天才重镇的IBM电脑开发小组，正首当其冲。贺南很喜欢回忆当时有一票人每隔两个星期左右就会在晚上聚会，讨论扑克牌游戏和围棋的问题。参加的人当中有一个叫麦卡西（John McCarthy）的暑期实习生，是加州理工学院的研究生，后来成为人工智慧的创始大师之一。
另一位是萨穆尔（Arthur Samuel），一个声音柔和、四十开外的电机工程师。 IBM特地从伊利诺大学延揽他来协助研究如何制造可靠的真空管。萨穆尔经常与贺南相伴，度过跑程式的漫漫长夜。老实说，萨穆尔早就对真空管兴趣缺缺，他过去五年来一直在写一个下西洋跳棋的电脑程式不只会下棋，而且累积经验以后，会学着下得愈来愈好。现在看来，萨穆尔的下棋程式是人工智慧研究的里程碑之一，当他最后在一九六七年把程式修正完成时，他的下棋软体棋艺已直追世界冠军。但是，即使在七○一电脑的年代，这程式也已经很不错了。贺南印象深刻，特别是这电脑棋手居然有能力因应对手的策略而调整战术。事实上，这个程式设计了一个对手的模型，然后用这个模型来预测最好的因应策略。尽管贺南当时没有办法说得清楚，但是他觉得电脑棋手的这部分功能，捕捉到了学习及适应的根本原理。
脑子如何学习
后来，其他事情占据了贺南的脑子，他把这些想法暂时抛诸脑后。当时，他正为自己的研究计画模拟脑部的内在运作，忙得不可开交。这个计画起源于一九五二年春天，麻省理工学院心理系教授里克莱德（JCR Licklider）造访波基浦夕实验室，同时答应作一次演讲，讲题是当时心理学领域最热门的话题：蒙特娄麦吉尔大学（McGill University）神经生理学家希伯（Donald O. Hebb）最新的学习及记忆理论。
里克莱德解释：问题是这样的，透过显微镜，脑袋中大部分呈现混沌一片的景象，每一个神经细胞都自由伸展出数以千计的轴突和树突，与其他神经细胞数以千计的轴突和树突杂乱相连。然而，这紧密相连的神经网路显然不是随意组成，健康的脑子能前后一致的产生感觉、思想及行动，绝非偶然。而且，脑子显然不是静止的，它能藉由经验来改正自己的行为、想办法适应不同状况，它还会学习。问题是，脑子究竟如何学习？
一九四九年，希伯已在他的名著行为组织（The Organization of Behavior）中，提出答案。他的基本想法是，假设脑子经常在突触（synapse）上作些细微的改变。突触是轴突和树突的连接点，神经冲动经由突触，从一个神经细胞传递到另一个神经细胞。希伯的假设很大胆，因为当时他还没有确实的证据。但是，他辩称，这些突触的变化正是所有学习与记忆的基础。例如，从眼睛而来的感官冲动会强化沿路所有的突触，因此在神经网路上留下痕迹。当冲动来自耳朵或脑部其他的精神活动时，也会发生同样的情况。希伯说，结果，原本随机启动的网路会迅速自我组织，经验会经由正回馈而不断累积；也就是说，强壮、经常被使用的突触会愈长愈壮，而微弱、很少被使用的突触会日益萎缩。常用的突触强大到某个程度，记忆就被锁定。这些记忆会转而在脑中广泛分布，每个记忆都对应于一个复杂的突触形态，其中包含了数以千计或什至百万计的神经元。希伯是最早描述这种记忆形态、并称之为结合论（connectionism）的少数人之一。
但是，还不止于此。里克莱德继续解释希伯的第二个假设：选择性的强化突触，会使脑子自我组织成一个个细胞集合也就是许多组神经元。流动的神经冲动会在其中自我强化，并继续流动。希伯认为这些细胞集合是脑部的资讯基本单位，每一个细胞集合都对应于一个声调、一线光、或一部分的想法。但是，这些集合在生理上并未彼此分开，而是重叠，每一个神经元都同时属于好几个细胞集合。因此，刺激一个细胞集合起反应，不可避免的会引发另外一个集合的反应，于是这些基本单位很快就会自我组织成较大的概念和复杂的行为。简而言之，细胞集合是思想的基本量子（quantum）或基本单位。
人类第一次电脑模拟
贺南坐在观众席上，听得目瞪口呆。有别于哈佛的史金纳（BF Skinner）等行为学家极力推动的呆板的刺激／反应观点，希伯讨论的是心灵内部的活动。结合论的丰富性和永恒的惊奇使贺南激动不已，他迫不及待要作一些相关的研究。希伯的理论已打开了一扇探索思想本质的窗，他希望好好探究这个问题，他想看看细胞集合如何从一片混沌中自我组织和成长茁壮，他想看看细胞集合彼此互动的情形，看看它们如何融合经验，而逐渐演化；他也想看看心灵本身的突现，更想看看所有这一切在没有外界引导之下如何自然发生。
里克莱德的演讲一结束，贺南就去找他在七○一电脑小组的主管罗彻斯特（Nathaniel Rochester），他说：好了，我们已经有电脑，我们来写个神经网路模拟程式吧！
于是，他们就这么做了。他写了一个程式，我写了另一个程式，两个程式形式不太一样，我们把程式叫做：观念启迪者，我们不是自大！
事实上，即使在四十年后的今天，当神经网路模拟程式早就变成人工智慧研究的标准工具时，当年的IBM观念启迪者仍然成就非凡。基本的概念在今日看起来仍很熟悉。在程式中，贺南和罗彻斯特把人工神经模拟为节点（node），也就是能够对自己内部状态有一些记忆的小电脑。他们把人工的突触模拟为各种节点之间的抽象连结点，每一个连结点对应于突触的强度，都会有一些重量。当网路获得经验时，他们也调整强度，以模拟希伯的学习法则。贺南、罗彻斯特和合作的研究人员，纳入了许多今天大多数的神经网路模拟所没有纳入的神经生理学细节，包括像每一个模拟的神经元多快起反应，以及如果太常反应，多久会疲乏。
自然，他们在过程中碰到很多困难，不只是因为他们的程式是有史以来第一次模拟神经网路，也是人类第一次用电脑来模拟真实世界，而不只是计算数字或分析数据。贺南非常赞扬IBM的耐心，他和他的同事在电脑上花了数不清的小时来模拟网路，甚至还动用公款，出差到蒙特娄问希伯本人的意见。
但是最后，他们模拟成功了。贺南谈起来，仍然难掩兴奋之情。你可以用相同的神经元底质（substrate）开始，然后看着细胞集合形成，发生很多突现的现象。贺南、罗彻斯特和他们的同事在完成这个研究几年后，在一九五六年发表了他们的研究结果，这是贺南第一篇在学术期刊上发表的论文。
非比寻常的哲学家
现在看来，希伯的理论和贺南自己的网路模拟可能对他未来三十年的思想形成，有举足轻重的影响。但是，当时最直接的结果却是驱使他离开IBM。
问题出在电脑模拟有一些必然的限制，而在七○一电脑上作模拟，限制尤其多。真正的神经网路上的细胞集合，有一万个神经元分布在脑部的大部分区域，每一个神经元又有一万个左右的突触。但是，贺南等人在七○一电脑上所能模拟的网路只有一千个神经元，每个神经元只有十六个连结点，无论他们用各种程式设计技巧，想办法加快速度，都只能得到这么多。贺南说：我愈作实验，愈觉得我们能测试的与我真正想看到的，差距实在太大了。
替代方案是以数学方法来分析网路。但是，结果也很困难。他尝试的每个方法都踢到铁板，成熟的希伯网路不是靠他在麻省理工学院学到的数学就可以应付的，尽管他比其他物理系学生都多修了很多数学课。对我而言，更精通数学似乎是更深入了解神经网路的关键。他说。所以，一九五二年秋天，带着IBM的祝福和一纸每个月继续为IBM作一百个小时顾问工作的合约，贺南来到安娜堡的密西根大学攻读数学博士。
幸运又降临他身上了。当然，密西根无论如何都是个不坏的选择，不只是因为密大数学系在全美排名首屈一指，而且还有个美式足球队对贺南而言，这是个重要的考虑因素。
但是，真正的幸运是，贺南在密西根大学碰到了勃克斯（Arthur Burks），一位非比寻常的哲学家。勃克斯专攻皮尔斯（Charles Peirce）的实用主义哲学，他在一九四一年拿到博士学位的时候，因为战时的情况，不可能找到哲学教职，所以第二年，他在宾州大学的摩尔学院修了为期十周的电机课程，成为战时工程师。结果，这是个愉快的选择。一九四三年，他被摩尔学院网罗，加入最高机密的ENIAC电脑研究计画。他在摩尔学院认识了冯诺曼，冯诺曼当时经常从普林斯顿高等研究院跑来指导这个计画。在冯诺曼指导下，勃克斯也参与设计ENIAC电脑的第二代EDVAC。 EDVAC是第一个能以程式的形式将指令电子化储存的电脑。一九四六年，冯诺曼、勃克斯和数学家高士谭（Herman Goldstine）共同发表的论文电子计算工具之逻辑设计的初步讨论（Preliminary Discussion of the Logical Design of an Electronic Computing Instrument），被视为现代电脑科学的基石之一。在这篇论文中，他们三位以精确的逻辑形式为程式的概念下定义，并且显示借着从电脑的记忆单位中取得指令、在中央处理单位中执行指令、然后再回头把结果储存在记忆体中这几个步骤不断循环之下，一般的电脑如何执行程式。这个冯诺曼架构一直到今天几乎还是所有电脑的基础。
当贺南于一九五○年代中期在密西根大学碰到勃克斯的时候，勃克斯的样子瘦削而优雅，很像他一度向往的传教士。勃克斯也是个热心的朋友和绝佳的指导老师，他很快把贺南引进他的电脑逻辑小组。这个小组的理论学家专门研究电脑语言，并求证关于转换网路的定理，而且试图从最严谨而根本的层次来了解这个新机器。
勃克斯也邀请贺南参与一项由他协助筹画的博士班研究计画，主要是广泛的探讨电脑和资讯处理的隐含意义即所谓的通讯科学（communication science），后来的正式名称叫电脑通讯科学。但是当时，勃克斯觉得他只是继续冯诺曼未完成的志业，冯诺曼在一九五四年因癌症去世。冯诺曼认为电脑有两种应用方式，一种是作为一般电脑，另一种就是作为自动机的一般理论基础。勃克斯认为像这样的研究计画很适合那些不按牌理出牌的学生，贺南显然就是其中之一。
贺南欣然同意。他们的想法是一方面开一些很困难的生物学、语言学、心理学课程，同时也提供很多标准课程，例如资讯理论。他们找不同领域的教授来讲课，因此学生能够把这些学问和电脑模型连起来。修过课的学生对于这些领域的基本理论会有深入的了解，例如主要的问题是什么？为什么这个问题这么困难？电脑可以帮什么忙？而不会只学到皮毛而已。贺南说。
玻璃珠游戏
贺南乐于加入的其中一个原因是，他对数学已经完全失去兴趣了。密西根大学数学系就像二次大战后大多数的数学系一样，服膺法国布巴奇学派（Bourbaki School）的理想，要求数学研究必须具备非人性的纯净和抽象。根据布巴奇的标准，甚至以世俗的绘图方式说明定理背后的概念，都被视为鲁钝。他们的想法是要证明数学不需要任何诠释，贺南说。但这不是他学数学的目的，他是想借着数学来了解这个世界。
所以，当勃克斯建议贺南转到通讯科学研究计画时，他毫不迟疑就答应了，放弃了几乎完成的数学论文，重新开始。也就是说，我的论文会更接近我想作的研究，他说，也就是神经网路的研究。 （他后来决定的论文题目逻辑网路循环（Cycles in Logical Nets）是关于网路开关情形的分析。他在这篇论文中证明的许多定理，居然正是年轻的医科学生考夫曼四年后在柏克莱奋力想证明的定理。）当贺南在一九五九年拿到博士学位时，他是通讯科学计画第一个出炉的博士。
但是，这些都没有使贺南忽略了当初他到密西根的目的。事实上，勃克斯的通讯科学计画正是这类议题可以蓬勃发展的环境，包括：突现是什么？思考是什么？思考如何产生？有些什么法则？系统适应的真正意义是什么？贺南记下关于这些问题的一些想法，然后有系统的存档在贴着Glasperlenspiel一号档案、Glasperlenspiel二号档案的档案夹中。
Glas什么？他笑着说：Das Glasperlenspiel!这是赫曼赫塞（Herman Hesse）的最后一部小说，于一九四三年流亡于瑞士时出版。贺南有一天在室友从图书馆借回来的书堆中发现了这本书，德文原文的意思是玻璃珠游戏，英文版书名则称游戏高手（Master of the Game）。小说的场景是未来的世界，描绘一种原本是音乐家玩的游戏：先在一种特别的玻璃珠算盘上设定主旋律，然后借着拨上拨下玻璃珠而把各种对位旋律和变奏编织进去，经过一段时间，游戏就会演变为极其复杂的乐器，并由一群有力的教士、知识分子所控制。最厉害的是你可以任选不同的主旋律组合，一点占星学、一点中国历史、一点数学，然后想办法把它们发展成好像音乐的主旋律。
当然，赫塞并没有明讲确实是怎么做的，但是贺南并不在乎，玻璃珠游戏比他过去所知道的任何事物都能捕捉到他所要追求的东西，这也正是西洋棋、科学、电脑或脑子之所以令他目眩神迷的地方。这个游戏代表了他这一辈子都在追求的奥秘：我希望能够从万物中撷取不同的主题，然后看看把它们整合在一起时，会发生什么事。
以数学掀起遗传革命
另外有一本书也给了贺南很多启发。有一天他在数学系图书馆浏览书籍时发现了费雪（RA Fisher, 1890︱1962）在一九二九年出版的遗传学巨著天择的遗传理论（The Genetical Theory of Natural Selection）.
起先，贺南很着迷。从中学时代起，我就很喜欢阅读关于遗传和演化的书，他说。每一代生物都会再重新组合遗传自父母的基因，你可以计算像蓝眼睛或黑头发这些特质，会在后代出现多少次，这些想法都令他大感兴趣。我一直想：哇！真是巧妙！读这本书使我第一次了解在遗传学领域除了代数之外，还可以运用很多其他的数学技巧。的确，费雪就用了很多复杂的数学概念，像微分、积分及或然率理论等。他的书以严谨的数学分析说明天择如何改变基因分布，也因此为关于演化变迁的新达尔文理论奠定基础。二十五年以后，这仍然是当代最先进的理论。
所以，贺南狼吞虎咽的读完这本书。我真是大开眼界，原来可以把我在数学课上学到的微积分、微分方程、以及其他的数学方法用来掀起一场遗传学革命。一旦看到这点，我知道我无法放手了，一定要做一点事情。所以，我脑中一直盘旋着这些想法，不时把一些想法记下来。然而，尽管贺南很赞赏费雪的数学技巧，费雪应用数学的方式却有些叫他困惑。事实上，他愈深入思索，就愈感困惑。
举例来说吧，费雪对天择的整个分析都着眼于一次分析一个基因的演化，仿佛有机体中的基因完全各自独立，互不相干。事实上，在费雪的分析中，基因的作用完全是线性的。贺南说：我知道这绝对错误。除非有数十个或上百个形成眼睛结构的基因共同合作，单独一个绿眼睛的基因绝对起不了什么作用。就贺南所了解，每一个基因都必须在团队中运作，任何理论如果没有把这点考虑在内，都错失了整个故事的关键。这也正是希伯在精神领域的研究中所一再强调的，希伯的细胞集合和基因有一点相像，细胞集合是思考的基本单位，但是如果单独存在，细胞集合几乎没有任何价值。无论是要传达一个音调、一束光、或命令肌肉抽动，唯一的方法是细胞集合彼此连结成更大的概念和更复杂的行为。
此外，还有一件事令贺南不解。费雪一直谈到演化会达到稳定的均衡每个特定的物种都会发展为最理想的大小、牙齿锐利得恰如其分，总而言之，即达到能生存和繁殖的最佳状态。费云的论点和经济学家对经济均衡的定义如出一辙：一旦物种达到最佳状态，任何的突变都会降低它自己的适应性，因此，天择无法再形成改变的压力。费雪的论点大半在强调：好了，因为以下的流程，这个系统会达到哈地︱威恩伯格的均衡（Hardy︱Weinberg equilibrium）但是，这听起来这不像我心目中的演化论。
他回过头去，重新阅读达尔文和希伯的理论。不，费雪的均衡观念一点也不像演化论，费雪的论调似乎是要达到某种纯净而永恒的完美。但是，在达尔文的理论中，随着时间演进，物种的发展会愈来愈宽广，愈来愈多样，费雪的数学分析没有提到这点。希伯探讨的是学习，而不是演化，但是依稀可以看到相同的脉络：当心灵从外界累积愈来愈多的经验时，它会变得更丰富、更灵巧、更令人讶异。
演化是无尽的旅程
对贺南而言，演化和学习就像游戏一样，两者都有一个和环境对抗的作用体，试图赢得继续往下发展所需要的一切。就演化而言，报酬就是生存，以及能把基因遗传给下一代的机会；就学习而言，报酬是像食物、愉悦的感觉、情绪的满足等等。在这两种情况下，报酬正为作用体提供了适当的回馈，让它们能改进自我表现。如果作用体想要具备适应能力，就必须维持能得到好报酬的策略，而放弃无效的策略。
贺南禁不住想到萨穆尔的西洋跳棋游戏软体，这个软体正充分利用了这种回馈作用：当电脑棋手累积经验，而且对对手了解更多之后，它会不断更新战术。现在，贺南才了解萨穆尔把重心放在游戏是多么有先见之明，这种游戏的比喻似乎适用于任何的适应性系统。在经济中，报酬就是金钱；在政治中，报酬就是选票。在某种层次上，所有的适应性系统基本上都一样，也就是说，它们基本上都像西洋棋或西洋跳棋一样，可能性的空间都大到超乎想像之外。作用体可以借着学习，把游戏玩得愈来愈好，但是如果想要找到最理想的状态，找到游戏的稳定平衡点，就会和我们下西洋棋一样，只能在无限大的可能性中大海捞针。
难怪对他而言，均衡的概念和演化格格不入，甚至不像他十四岁时在地下室玩的战争游戏。均衡暗指终点，但是对贺南而言，演化的本质在于旅程，在于无尽的惊奇。我愈来愈清楚我想要了解及我所好奇的是什么东西，均衡绝对不是其中的重要部分。
在撰写博士论文期间，贺南只能把这些想法暂搁一旁，但是他一拿到博士学位，就立定志向要把他的想法转化成完整而严谨的适应性理论，而当时勃克斯已经邀请他继续留在电脑逻辑小组作博士后研究。我相信如果我把遗传适应看成长期的适应过程，把神经系统看成短期的适应过程，那么两者的一般性理论架构应该相同。为了要厘清自己脑中的想法，他甚至在一九六一年七月发表了一份四十八页的技术报告，题目是适应性系统的非正式逻辑理论。
他也注意到有些同事频频皱眉。他们倒不见得有敌意，只是有些人认为他这套适应性理论的玩意儿听起来荒诞不经，贺南为什么不花时间作一些比较有收获的研究呢？
问题是，这真的只是胡思乱想吗？贺南说。不过他欣然承认，如果换做是他，他也会怀疑。我作的研究没有办法照一般人熟悉的领域来归类。它既不完全是关于硬体，也不纯然是软体的研究，在当时，这当然也还不能叫人工智慧，所以你没有办法以任何的标准尺度来下判断。
找寻一组最理想的基因
他最不需要多费唇舌说服的人就是勃克斯。勃克斯说：我支持贺南。有一派逻辑学家很不以为然，觉得贺南的研究不是电脑逻辑小组该作的研究，他们的想法比较传统。但是我告诉他们，这正是我们需要的研究，就争取经费补助的角度而言，这研究的重要性和他们的研究不相上下。身为这个研究计画的创办人，勃克斯的话深具分量。抱着怀疑态度的人逐渐离开了这个研究小组。一九六四年，在勃克斯大力支持下，贺南得到了终身职。那几年多亏了勃克斯当我的挡箭牌。贺南说。
的确，勃克斯的支持使贺南能特别着力于适应性理论的研究。一九六二年，他抛开了其他研究计画，全力研究适应性理论。他特别决定要以不止一个基因为基础，来探讨天择的问题。他这么做不仅仅因为费雪在著作中假设基因互不相关，是困扰他多时的问题，同时，以多数基因为分析基础也是避免均衡问题的关键。
贺南说，平心而论，当你讨论互不相关的基因时，均衡说的确很有道理。例如，假定有一个物种有一千个基因，差不多就会像海藻一样复杂。再假定，为了单纯化，每一个基因只有两种特性绿色相对于褐色，皱折的叶片相对于平滑的叶片等等。天择的过程要经过多少次试验才能找到一组最理想的基因，能赋予海藻最佳的适应能力？
如果你假定所有的基因真的各自独立，每个基因你只需要试验两次就能发现哪一种特性比较好，然后一千个基因中的每一个基因你都要各试验两次，所以总共需要做二千次试验，这并不算多。事实上，比较起来，这算是个小数目。因此，你可以预期这海藻很快就会达到最佳的适应能力，这时候，这个物种确实达到了演化的均衡状态。
但是，现在当你假定海藻的一千个基因并非各自独立时，看看会发生什么事情。为了要确定真的找到最佳的适应能力，天择过程必须检查每个可能的基因组合，因为每一种组合都有不同的适应能力。当你检查过所有组合时，数目不再是二乘以一○○○，而是二自乘一千次，也就是二的一千次方，或是十的三百次方，这数目大得连西洋棋的可能棋步都显得微不足道。演化过程根本不可能试验这么多种可能性，而且不管电脑多发达，都办不到！贺南说。这数字大得即使我们假设宇宙中的每个粒子都是一具超级电脑，从大霹雳之后就不断在计算这些数字，所得到的解答离实际都还有一段距离。而且要记住，这还只是海藻而已，人类和其他哺乳类的基因差不多是海藻的一百倍，而大多数的基因都有不止两种特性。
所以，这个系统又置身于可能性的无垠穹苍，毫无找到一个最佳位置的希望。演化唯一能做的只是寻求改善，而不是寻求完美。但是，这正是他一直想解答的问题：如何做呢？要了解多基因的演化过程，显然不只是把费雪的单基因方程式改为多基因方程式那么简单。贺南想了解的是，演化过程如何深入可能性的无垠穹苍、发掘有用的基因组合，而不需要搜寻其中的每一寸空间？
世界为什么如此架构？
事实上，主流的人工智慧学者早就很熟悉一种类似可能性一发不可收拾的现象。例如，在匹兹堡的卡内基技术学院（现在叫卡内基美仑大学），纽威尔（Allen Newell）和西蒙（Herbert Simon）从一九五○年代中期开始，就在进行一个画时代的研究研究人类如何解决问题。他们要求实验对象在绞尽脑汁玩拼图和游戏的时候，说出他们的想法。纽威尔和西蒙的结论是，问题解决是在有广大可能性的问题空间中一步接着一步做心智搜寻。每一个步骤都由经验法则所引导：如果情况是这样，那么该采取那个步骤。纽威尔和西蒙把理论架构为一般问题解答者（General Problem Solver）的程式，而且以这个程式来解原先的拼图和游戏，显示他们的问题空间方式能充分复制人类的推理风格。他们的观念已经成为人工智慧领域的金科玉律，而一般问题解答者也成为人工智慧发展史上最有影响力的电脑程式。
但是贺南仍然存疑。他倒不是认为纽威尔和西蒙关于问题空间和经验法则的观点错误，事实上，贺南拿到博士学位后不久，就建议邀请他们两位到密西根大学来开人工智慧的课，从此他和纽威尔就成为好友和知识上的诤友。不，只不过是他们的观点无法帮助他解决生物演化的问题。演化论的整个观点中没有经验法则、没有任何引导，一代接一代的物种是借着突变和两性基因的随机组合，来探测可能性的广大空间；简单的说，它们靠的是尝试和错误。而且，交替的世代并不是按部就班的探索着各种遗传组合的可能性，而是各种尝试齐头并进，每一个个体都有一组稍微不同的基因，尝试稍微不同的可能组合。
但是，尽管有这些差异，尽管演化花的时间比较长，演化过程所产生的创意和惊奇与人类的精神活动并无二致。对贺南而言，这意味适应性的真正大一统原理隐藏在更深的层次中，但是，到底在哪里呢？
起初，他只是直觉的认为：某些基因组能一起运作得很好，并形成统一而相互强化的整体。例如一群能指挥细胞如何从葡萄糖分子汲取能量的基因，或是一群控制细胞分裂的基因，或是指导如何组成身体组织的基因群。这种情形很类似希伯关于脑部学习的理论：一组相互共鸣的细胞集合可能会形成像汽车的相关观念，或是像举起手臂的协调性动作。
但是贺南愈思考这个统一、相互强化的基因群的概念，就愈觉得其中奥妙无穷。类似的例子几乎随处可见，电脑程式中的副常式、官僚体系中的部门、西洋棋局战略中的小战术皆是。更重要的是，你可以在每一个组织层次有同样的发现。如果某个群体有足够的一致性和稳定性，那么就通常成为更大群体的基本单位（building block）。细胞组成组织，组织组成器官，器官组成有机体，有机体组成生态系。贺南想，这正是突现的观念：一个层次的基本单位组合后，形成更高层次的基本单位。这是世界的基本组织法则，几乎每个复杂适应性系统都出现这种特性。
但是，为什么呢？这种阶层式、由基本单位层层上推的结构，简直像空气一样平常而普遍，因此我们从来不会多加思索。但是，当你深入思考这个问题的时候，却发现需要有个解释：世界为什么如此架构呢？
先分化，后征服
事实上，原因很多。电脑程式设计师都会把问题分成几个副常式来处理，因为简单的小问题要比繁杂的大问题容易解决，这正符合先分化、后征服的古老智慧。像鲸鱼和红木等巨大生物是由不计其数的小细胞所组成，正因为这些细胞比较早出现。当五亿七千万年前，巨大的动植物开始在地球出现的时候，要从已经存在的单细胞生物经由天择过程而形成巨大生物，显然要比从头产生点点滴滴的原形质容易多了。通用汽车（General Motors）把公司分成不计其数的部门，是因为最高主管不想让五十万名员工都直接向他报告，否则他的时间根本不够分配。事实上，就像西蒙在一九四○和五○年代对商业组织的系列研究中指出，设计精良的阶层组织是既能完成工作、又不会让一个人被会议和备忘录所淹没的最好方法。
然而贺南愈想愈觉得最重要的理由隐藏在更深的层次：阶层式、由基本单位组成的结构能改变一个系统学习、演化和适应的能力。想想看包含像红色、汽车和马路等概念的认知基本单位吧！一旦像这样的一组基本概念借着经验累积而精炼、修正错误，这组概念通常能调整并重组成许多新的概念，例如：路边一辆红色的汽车，这当然要比一切从头开始有效率多了。
这个事实提示了一个适应的全新机制，适应性系统不是按部就班的在可能性的广大空间中搜寻，而是重组基本单位，采取大跃进式的突破。
贺南最喜欢以警方绘相师来说明这个观念。在过去尚未应用电脑的年代，警方如果需要根据目击证人的描述来画出嫌疑犯的相貌，他们的做法是，先把脸部分成十个基本单位：发型、前额、眼睛、鼻子等，然后绘相师在许多纸片上描绘出各个部分的不同形状，以供选择，例如十种不同的鼻子、十种不同的发型，所以总共有一百张纸片。有了这些基本形貌的纸片，绘相师会根据目击者的描述，把适当的纸片拼凑在一起，很快就能画出嫌疑犯的肖像。当然，绘相师不可能画出所有可想像的容貌，但是这么做虽不中亦不远矣，因为借着替换这一百张纸片，绘相师能画出一百亿张不同的脸孔，即使在广大的可能性空间中，这都有相当的代表性。所以，如果我能找到发现基本单位的方法，这些组合都将为我所用，而不是变成我的阻碍。我能够利用少数的基本单位，来描述许多复杂的事物。贺南说。
而这正是解开多基因谜团之钥。演化的过程之所以会有割爱及尝试错误，并非为了要创造出一个最佳物种，而是为了试炼出最佳的基本单位，以便组合出许许多多的优秀物种。目前的挑战是要精确而严谨的显示整个过程如何发生，而他决定第一步就是建立一个电脑模型，一个既能说明这个过程，又能帮助他厘清脑中种种想法的遗传演算法（genetic algorithm）。
把电脑程式看成染色体
有一阵子，密西根大学的电脑圈子几乎每个人都看过贺南捧着一堆电脑报表跑来跑去。
你看！他会说，急切的指着整页满满的十六进位的杂乱符号。
喔！ CCB1095E，很好啊，贺南。
不对！不对！你知道这是什么意思吗？
事实上，在一九六○年代，不懂的人还真不少。对贺南的研究存疑的同事至少说对了一件事：贺南最后提出的遗传演算法真是古怪极了，这演算法不像真正的电脑程式，骨子里反而更像电脑模拟的生态系统在其中所有的程式相互竞争、相互交配、繁殖下一代，总是朝着解决问题（由程式设计师所设定的问题）的方向演化。
一般的程式通常不是这样写的，所以要让同事明白其中的道理，贺南往往以非常实际的名词来解释。他说：我们通常把电脑程式想成以福传或里斯普（LISP）等特殊程式语言所撰写的一连串指令，的确，程式设计的艺术就是要确定你写的指令完全正确，而且完全依照正确的次序排列。如果你已经知道你想要电脑做什么事，这显然是最有效率的方法。
但是，假定你不知道你要电脑做什么，例如，假定你想要找到某个复杂数学函数的最大值，这个函数可能代表利润、工厂产出、或选票、或任何东西，这个世界有太多你想求取最大值的东西了。的确，程式设计师已经设计了很多复杂的演算法，来求取函数的最大值，但即使是其中最好的演算法，都不能保证在每一种情况下皆能算出正确的最大值。在某种程度，这些程式都还是得依赖老方法尝试及错误，也就是猜测。
贺南告诉同事，既然如此，反正都要靠尝试错误，何不试试大自然尝试错误的方法物竞天择？与其想写一个程式来做你自己都还不清楚的工作，何不干脆让程式演化！
遗传演算法正是如此。想要看看这种演算法如何运作，你得先忘掉福传语言，直接看电脑内部，其中的程式是由一系列二元的一和○所代表：110100111100011001000101011。以这种形式出现时，电脑程式看起来很像染色体，每一个二元的数字就是单一的基因。一旦你开始以生物学的概念来看这些二元密码，你就可以运用相同的生物学类比来令程式演化。
贺南说，首先让电脑创造出大约一百个数位染色体，每一个染色体之间都有些随机的差异。我们可以说，每一个染色体都代表一群斑马中的一只斑马。 （为了简单化，也因为贺南想要产生绝对的演化，遗传演算法省略了像马蹄、胃、脑子等细节，而把个别生物模拟为单一的DNA。同时，考虑到实际演算的可能性，贺南的二元染色体必须只有十来个二元数字那么长，所