1700268130
由于她另有要务，我只好写一个计算机程序，仿真一个随意敲键的孩子，或猴子，这里也有一些例子可以参考。
1700268131
1700268132
WDLDMNNLT DTJBKWIRZREZLMQCO P
1700268133
1700268134
Y YVMQKZPGJXWVHGLAWFVCHQYOPY
1700268135
1700268136
MWR SWTNUXMLCDLEUBXTQHNZVJQF
1700268137
1700268138
FU OVAODVYKDGXDEKYVMOGGS VT
1700268139
1700268140
HZQZDSFZIHIVPHZPETPWVOVPMZGF
1700268141
1700268142
GEWRGZRPBCTPGQMCKHFDBGW ZCCF
1700268143
1700268144
这个程序就这样不断制造产品—将随机敲到的28个键在银幕上显示出来（或打印）。要花多少时间才能敲出“我觉得像一只黄鼠狼”呢？想想所有可能敲出来的字母串共有多少—每串是任意按28个键的结果。我们必须做的计算与前面做过的血红蛋白分子一样，结果也是同样大的数字。敲第一个键时，有27种选择（不区分空位键与字母键，26个字母键加1个空位键），敲到正确字母的概率是1/27。头两个键都碰巧正确的机会是1/27乘以1/27，等于1/729，因为第二个键敲对的概率，与第一个键相同，可是头两个键都要正确的话，得在第一个键敲对了之后才算第二个键。这个句子全部28个字母都正确的概率，因此是1/27的28次方，就是1/27自乘28次。结果是一个非常小的数字，难以想象的小，以分数表现的话，分子是1，分母是1后面跟着40个0。说得委婉些，这个句子要花很久才敲得出来，什么《莎士比亚全集》就算了吧。
1700268145
1700268146
随机变异中的“单步骤选择”已经谈得够多了，让我们回头谈谈“累积选择”。“累积选择”会更有效率吗？效率能提升多少？答案是：有效率多了，即使我们开始觉得这是一个很有效率的过程，也可能低估它的效能。但是只要你仔细再想想，就会发现惊人的效率几乎是必然的结果。我们要再度使用电脑替代猴子，但是我们会对程序做一个关键的修改。一开始这个程序会随机按28次键，例如：
1700268147
1700268148
WDLMNLT DTJBKWIRZREZLMQCOP
1700268149
1700268150
然后从这一个随机序列“繁殖”下去。电脑不断复制这个字母序列，但是复制过程容许某种程度的随机变异—“突变”。电脑会检查这些复制出来“子序列”，从其中选出最接近标的序列Methinks it is like a weasel（我觉得像一只黄鼠狼）的一个，不论相似的程度多么薄弱。第一个这样选出来的“子序列”与标的序列实在不怎么像：
1700268151
1700268152
WDLMNLT DTJBSWIRZREZLMQCO P
1700268153
1700268154
但是这个程序会重复下去，电脑开始复制这个赢家，并容许同样程度的随机变异，并选出一个新的赢家。如此这般，10“代”、20“代”之后的赢家，可能仍然必须凭信心才能看出它们与标的“很像”。但是，到了30“代”，相像就不再是想象的产物了。到了40“代”，银幕上出现的字母序列，只有一个字母是错的。正确的结果在第43“代”产生。
1700268155
1700268156
第二次重跑这个计算机程序，正确的结果在第64“代”产生。第三次重跑，第41“代”就产生正确的结果了。
1700268157
1700268158
电脑实际花了多少时间繁衍出符合标的的那一代，并不重要。如果你真的想知道，电脑第一次完成整个程序，是在我出去吃午餐的时候。大约半个小时。（计算机玩家也许会认为这实在慢得蹊跷。原因是我的计算机程序是用BASIC写的，这种语言在计算机程序语言家族中相当“幼齿”。我改用PASCAL语言重写这个程序后，11秒就完成了一回合。）电脑做这种事比猴子快一些，但是速度的差异其实不大。真正重要的时间差异，是“累积选择”需要的时间与“单步骤选择”需要的时间。同一部电脑，以同样的速度，执行“单步骤选择”程序的话，要花的时间是：1后面加30个0，单位是年。学者估计的宇宙年龄大约是100亿年（1后面加10个0）。我们不必细究1后面加30个0等于宇宙年龄的多少倍，比较适当的说法是：与猴子或电脑要花的巨量时间比起来，宇宙的年龄实在微不足道—在我们这种粗略的计算方式必须容忍的误差范围之内。但是同一部以随机方式按键的电脑，只要加入“累积选择”的条件，达成同样的任务所需的时间，我们人类以常识便可以了解，在11秒与吃一顿午餐所费的时间之间。
1700268159
1700268160
现在我们可以看出：“累积选择”（这个过程中，每一次改进，不论多么微小，都是未来的基础）与“单步骤选择”（每一次“尝试”都是新鲜的，与过去的“经验”无关）的差别可大了。要是演化进步必须依赖“单步骤选择”，绝对一事无成，搞不出什么名堂。不过，要是自然的盲目力量能够以某种方式设定“累积选择”的必要条件，就可能造成奇异、瑰丽的结果。事实上那正是我们这个行星上发生的事，我们人类即使算不上最奇异、最让人惊讶的结果，也是最近的结果。
1700268161
1700268162
让人惊讶的反而是：类似前面所举“血红蛋白数字”的例子，却一直被用来反驳达尔文的理论。那些这么做的人，往往在本行中是专家，像是天文学或什么的，他们似乎真诚地相信达尔文理论纯以概率（巧劲儿）—“单步骤选择”—解释生物的组织。“达尔文式的演化是‘随机的’”这个信念，不只是不真实而已。它根本与真相相反。在达尔文演化论中，“巧劲儿”只扮演次要的角色，最重要的角色是“累积选择”，它根本就是“非”随机的。
1700268163
1700268164
天上的云无法进入“累积选择”过程。某种特定形态的云不能通过某种机制生产与自身相似的子女。如果有这种机制，如果云像黄鼠狼或骆驼一样，能够繁衍模样大致相似的世系，“累积选择”就有机会发生。当然，有时云朵的确会分裂、形成“子女”，但那还不足以让“累积选择”发生。必要条件是任何一朵云的“子女”应该与“父母”相似，不像“族群”中的其他“老爹”。这个差别极为紧要，最近有些哲学家对自然选择理论发生了兴趣，可是他们有些人很明显地误解了这一点。还有一个必要条件是：任何一朵云生存、繁衍复本的概率，与它的形态有关。也许在某个遥远的星系中，这些条件都发生了，而且经过了数以百万年计的时光，结果是一种虚无缥缈的生命形式，只是寿命短暂。这个题材也许可以写成一部很棒的科幻小说，题目我都想好了，就叫《白云记》吧；但是就我们所想讨论的问题来说，电脑模型是比较容易掌握的，像猴子/莎士比亚模型一样。
1700268165
1700268166
虽然猴子/莎士比亚模型用来解释“累积选择”与“单步骤选择”的差别很有用，它却在重要的面相上误导了我们。其中之一是：在选择繁衍的过程中，每个世代各突变个体都以它与最终标的（“我觉得像一只黄鼠狼”）的相似程度判生判死。生物不是那样。演化没有长期目标。没有长程标的，也没有最终的完美模样作为选择的标准，尽管虚荣心让我们对于“人类是演化的最终目标”这种荒谬的观念，觉得挺受用的。在现实中，选择的标准永远是短期的，不是单纯的存活，就是—更为广义地说成功繁殖率。要是在很久很久之后，以后见之明来看生命史像是朝向某个目标前进，而且也达成了那个目标，那也是许多世代经过短期选择后的附带结果。“钟表匠”—能够累积变异的自然选择—看不见未来，没有长期目标。
1700268167
1700268168
我们可以改变先前的电脑模型，将这一点也考虑进去。在其他方面我们也可以使模型更逼近真实。字母与文字是人类特有的玩意儿，我们何不让电脑画图？说不定我们甚至可以看见类似动物的形状在电脑中演化，机制是在突变的形状中做累积选择。我们一开始不会在电脑中灌进特定的动物照片，免得电脑有成见。它们得完全以累积选择打造—累积选择在随机突变中运作的结果。
1700268169
1700268170
实际上每个动物的形态都是胚胎发育建构的。演化会发生，是因为连续的各世代每一个胚胎发育都发生了微小差异。这些差异是因为控制发育的基因发生了变化（即突变，这就是我前面说过的整个过程中的小角色—随机因素）。因此我们的电脑模型也该有些特征，相当于胚胎发育与能够突变的基因。设计这样的电脑模型，有许多方式。我选了一个，并为它写了一个计算机程序。现在我要描述这个电脑模型，因为它能给我们一些启发。要是你对电脑没有什么概念，只要记住电脑是机器，会服从命令干活儿，可是结果往往出人意表。程序就是给电脑的指令单子。
1700268171
1700268172
胚胎发育是个非常复杂的过程，无法在小型电脑上逼真地模拟。我们必须以一种简化的玩意儿做模拟。我们必须找到一个简单的画图规则，电脑很容易照办，然后它也可以在“基因”的影响下发生变化。我们要选择什么样的画图规则呢？电脑科学教科书经常以一个简单的“树木发育”（tree-growing）程序，说明所谓“递归”程序设计法（recursive programming）的威力。一开始电脑画出一条垂直线。然后这条线分出两条枝杈。每一条枝杈再分出两条小枝杈。每条小枝杈再分出两条小小枝杈。这是个“递归”过程，整棵树因为继续在局部应用同一条规则（以这个例子而言，就是“分枝规则”）而不断地发育。无论树木发育到多大，同一条分枝规则继续施用于所有新生枝条的尖端。
1700268173
1700268174
“递归”的“深度”指枝杈分枝的“次数”；就是一条树枝长出后，可以继续以同样的方式分枝多少次。这个次数程序中可以事先规定，次数一满新生枝头就停止分枝了。图2显示了“深度”对“递归”结果的影响。比较“深”的递归树是个颇为复杂的图案，但是你仍可以看出那是同一条分枝规则创造出来的。当然，真正的树就是这样分枝的。一棵橡树或苹果树的分枝模式看来很复杂，其实不然。基本的分枝规则非常相似。因为同一条规则不断地施用于整棵树的生长尖端—主干分出主枝，主枝分出小枝，小枝分出小小枝，等等，树才长得又大又繁茂。
1700268175
1700268176
1700268177
1700268178
1700268179
图2