Codex for EvoX：透過對話設計演算法、遷移程式碼並執行可重現實驗
演化計算正邁入 AI 原生時代。
EvoX 是一個分散式、GPU 加速的可擴展演化計算框架。透過統一的 Algorithm、Problem 與 Workflow 介面，EvoX 將族群搜尋、批次評估、實驗執行與硬體加速整合到一個連貫的計算架構中。它的應用範疇涵蓋從單目標與多目標最佳化到神經演化、強化學習環境以及複雜系統設計。
自開源以來，EvoX 始終圍繞一個清晰的使命不斷演進：
為演化計算建構下一代基礎設施，專為現代硬體與大規模運算而設計。
序章：自然語言成為 EvoX 的新入口
多年的開源開發使 EvoX 的介面、文件、範例與程式設計模型變得公開、結構化且可執行。能夠存取這些資源並擁有可執行開發環境的通用 AI 程式設計代理，可以理解該框架並協助完成環境建置、問題建模、演算法開發、程式碼遷移、批次實驗以及效能最佳化。
這就是本文所說的原生支援的含義：Codex 無需專用的 EvoX 外掛即可使用該框架，它能夠直接利用 EvoX 的公開文件、原始碼與專案脈絡。
過去，研究人員通常需要先學習一個框架，再將問題轉譯為框架能夠理解的程式碼。如今，這一流程可以從相反的方向開始。在下文的所有範例中——從自然語言建模、演算法遷移到無需反向傳播的控制以及 GPU 張量化——Codex 將人類意圖轉化為具體實作，而 EvoX 則為演算法、實驗與平行計算提供統一的基礎。
人類定義問題，Codex 組織實作，EvoX 執行演化過程。
起點：從框架安裝到直接描述問題
1. 一句話進入 EvoX
從最簡單的指令開始：
幫我架設 EvoX。
Codex 能夠檢查現有的 Python、PyTorch 與 GPU 環境，選擇合適的安裝方式，並進行基本驗證。這大幅減少了使用者在專注於真正想解決的問題之前所需的框架特定知識與手動環境設定。
2. 從模糊需求到完整的演化計算任務
真實世界的問題很少會預先定義好決策變數、目標函式與限制條件。更常見的情況是，我們只知道手上有什麼、想要什麼結果：
用 EvoX 撰寫一個演算法解決以下問題：一個倉儲機器人從入口移動到出口，途中需要避開貨架。建構一個固定、可重現的倉儲佈局；找到一條盡可能短、無碰撞且平滑的路線；執行實驗；並視覺化最佳化過程。
沒有提供任何數學模型或具體演算法。Codex 建構了倉儲佈局，將「短、無碰撞、平滑」轉譯為目標函式與限制條件，並實作了路線編碼與實驗。
在整個過程中，EvoX 提供了執行骨幹：
- 候選路線以族群的形式表示。
- 目標函式透過
Problem介面進行批次評估。 - NSGA-II 執行迭代搜尋。
Workflow連接演算法、問題與監控流程。
最終得到一條可重現、可度量、視覺化的無碰撞路線。然而，將意圖轉化為一個可執行的 EvoX 實驗只是開始；研究場景需要更結構化的實驗。
深入：從程式碼生成到可重現的實驗研究
3. 從單次執行到可重現的演算法比較
一次成功的執行僅僅表明實作沒有立即出錯。一次可信的比較需要統一的評估預算、獨立執行、收斂記錄、標準指標、統計檢定，以及對結論的明確限定：
用 EvoX 進行一項多目標演算法比較實驗，採用統一預算與 30 次獨立執行，比較 NSGA-II、MOEA/D、HypE、AGE-MOEA 與隨機搜尋。遵循 IEEE TEVC 常見的實驗規範進行 HV/IGD+、效應量與非參數統計分析，並產生包含收斂曲線、Pareto 前沿與明確限制性的視覺化報告。
Codex 組織實驗方案，而四個基於 EvoX 的演化演算法——NSGA-II、MOEA/D、HypE 以及本地移植的 AGE-MOEA——在相同的問題介面、族群規模、評估預算與監控協定下進行評估。同時納入一個獨立的隨機搜尋基線作為對照。指標、收斂歷史、最終解集與統計分析都在同一實驗結構中記錄。
上圖展示了超體積收斂情況。在固定的 3,000-evaluation 預算下，所有演算法在更具挑戰性的 ZDT4 問題上仍然獲得零 HV。因此，下圖額外提供了彙總的最終非支配解與參考 Pareto 前沿之間的關係視圖。
AI 生成的實驗仍需要人工審查與驗證。儘管如此，這個範例展示了一次連續的對話如何借助 EvoX 將單次執行轉化為可比較、可重現的演算法研究。
4. 從理解既有程式碼到複用研究資產
研究並非總是從零開始。許多有價值的演算法仍存在於 MATLAB、NumPy 與遺留儲存庫中。將它們遷移到 EvoX 需要理解原始實作如何組織狀態、族群更新、算子、評估以及實驗迴圈。在提供相關原始碼檔案後，Codex 可以提供協助：
閱讀本目錄中的入口檔案及相關輔助函式，解釋演算法流程，將其遷移為 EvoX 實作，並在標準多目標基準問題上進行實驗驗證。
Codex 重新實作了極值點偵測、目標正規化、Pareto 前沿幾何估計與生存評分，然後按照 EvoX 介面組織族群狀態、適應度評估、交配與環境選擇。遷移後的 AGE-MOEA 複用 EvoX 的交配、變異與選擇算子，連接到標準的 Problem 與 Workflow 介面，並共享平台的執行與監控結構。
標準基準驗證表明，遷移後的實作在 EvoX 中執行正確，並逐步逼近參考 Pareto 前沿。因此，一個先前依賴 MATLAB 的演算法，已成為一個可以在 PyTorch 生態中重現、比較與擴展的 EvoX 實作，並為後續的張量化與硬體加速提供了清晰路徑。
這些範例表明，Codex 能夠幫助使用者操作 EvoX、組織標準化實驗，並將既有研究資產引入框架。然而，可演化的物件遠不止於常規的最佳化向量。
拓展：延伸可演化物件與計算邊界
5. 演化什麼由你決定
EvoX 的層次化、模組化設計使得遵循「候選解 → 批次評估 → 迭代更新」模式的任務可以納入演化工作流。被演化的物件可以是數值向量、路線、神經網路、控制策略，或是以多樣行為特徵的設計空間。
考慮一個透過神經演化求解的經典控制任務：
用 EvoX 在不使用反向傳播的情況下演化一個小型神經網路控制器，使其能夠平衡倒立擺。完成一個最小可執行實作，並輸出訓練曲線與最終控制動畫。
Codex 建構了 CartPole 環境與一個僅有 49 parameters 的小型網路。EvoX 使用 OpenES 生成並更新候選網路族群，讓每個控制器在環境中行動，並根據擺桿保持平衡的時間來評估其表現。整個訓練過程不計算梯度，也不呼叫反向傳播。
在該實驗中，平均生存時間從約 12.5 steps 提升到設定的 400 steps 上限。這表明 EvoX 能夠將模型參數、控制策略與外部環境納入演化工作流，而不侷限於常規的數值測試函式。
同一介面也可以支援品質多樣性任務，例如程序化迷宮生成：
用 EvoX 與 MAP-Elites 自動生成一組多樣化的可解迷宮，按路線曲折度與分支豐富度刻畫多樣性景觀，並在相同預算下與隨機生成進行比較。
Codex 設計任務，而 EvoX 負責候選關卡的反覆生成、評估與選擇。MAP-Elites 根據路線曲折度與分支豐富度保留不同風格的代表。
在固定 5,000 candidate 迷宮的預算下，MAP-Elites 占據了 36 個預定義生態位中的 22 of 36，而隨機生成為 24；由於解碼器保證迷宮可解，兩種方法都達到了 100% 的可解率。這個小實驗並不能確立一種普適的覆蓋優勢，而是展示 EvoX 如何在顯式定義的行為生態位中維護一個結構化的高品質代表檔案。
6. 計算加速：圍繞 GPU 重組工作
前面的案例聚焦於理解問題、生成程式碼與組織實驗。最後一個案例深入到計算本身。當倒立擺評估器最初被遷移到 GPU 時，其執行速度比 CPU 版本更慢。網路規模很小，每個模擬步驟會啟動許多小操作，因此核心啟動與 Python 排程開銷超過了運算本身。
後續請求直截了當：
目前的倒立擺實驗在 GPU 上比在 CPU 上執行更慢。分析效能瓶頸；在 GPU 上對族群評估、控制器推論與環境模擬進行張量化；比較最佳化前後的 CPU 與 GPU 效能；並視覺化結果。
Codex 使用 EvoX 與 PyTorch 重新組織評估器：將控制器、環境回合與狀態保持為批次張量，透過批次矩陣運算與 CUDA Graph replay 減少零碎的 GPU 啟動。最佳化後，單次 GPU 族群評估從 427.47 毫秒降至 22.10 毫秒，相對原始 GPU 實現加速約 19.34 倍，並保持評估結果一致。
該工作負載僅包含 32 個控制器與一個 49-parameter 網路，因此測得的比率並不能推廣到所有任務。但它驗證了 EvoX 的一項重要能力：將候選解組織為族群、批次評估，並將工作流擴展到 GPU 與更大規模的工作負載。AI 輔助實作與 EvoX 相結合，能夠圍繞現代硬體重組演化計算。
從一句話到可擴展的演化計算工作流
EvoX 提供的不僅是一份孤立的演算法清單，而是一個可擴展的演化計算生態系統：
Problem將真實世界任務、模擬器與模型評估納入演化計算。Algorithm與算子介面同時支援既有演算法與自訂開發。Workflow連接族群、問題、監控器與實驗。- PyTorch 使族群計算能夠被張量化並遷移到現代硬體。
- 統一介面讓一次最佳化執行可以成長為批次實驗、演算法比較與神經演化工作流。
研究人員過去需要在問題描述、數學模型、框架 API、演算法程式碼、實驗腳本、統計工具與 GPU 最佳化之間不斷切換。如今，這一流程可以從自然語言開始，並在同一次對話中逐步成為完整、可執行、可重現的計算工作流。
人類定義目標，AI 組織實作，EvoX 執行演化。
從一句話開始，探索屬於你自己的演化空間。
註 1： 本文以 Codex 作為代表性 AI 程式設計代理。其他能夠閱讀、生成、執行與除錯程式碼的代理也可以類似地使用 EvoX。結果取決於模型、脈絡、執行時環境與工具權限。
註 2： 演示使用 GPT-5.5 Terra 模型執行，採用中等智慧、中等推理努力與標準速度。
註 3： 實驗結果僅適用於本文所述的任務、環境、實作、預算與硬體，並不代表一般性的效能或加速保證。