生物有机体（如动物或植物）是我们所知道的智能系统的主要例子（不包括人工智能系统，以免讨论当前的人工智能系统是否真的智能）。因此，生物生命通常是人工智能研究人员开发人工智能系统的灵感来源。

有许多基于生物学或仅受生物学启发而引入（至少部分）的人工智能系统示例。这里有一些例子。

• 强化学习基于动物（例如狗或鸽子）可以学习的类似方式。有关详细信息，请参阅Sutton 和 Barto 的书（尤其是第 14 章和第 15 章）。

• 人工神经网络是人类神经网络的非常近似的模型。

• 遗传算法大致基于达尔文的进化论。

• 蚁群优化算法（通常是群体智能）基于真实蚂蚁（以及生物群体）的行为方式。（甚至有一首专门献给蚂蚁的说唱歌曲）。

我现在可能还没有想到其他例子。另请参阅此问题和此问题。

在某些情况下，人工智能的发现也有助于生物学或相关领域（如神经科学和心理学）的发展。例如，萨顿和巴托（第 4 页）写道

在机器学习的所有形式中，强化学习是最接近人类和其他动物所做的那种学习，强化学习的许多核心算法最初都受到生物学习系统的启发。强化学习也有所回馈，既是通过更好地匹配一些经验数据的动物学习心理模型，又是通过大脑奖励系统部分的有影响力的模型。

进化博弈论和进化算法

我看到出现的联系主要是进化博弈论和进化算法。进化算法类似于自然选择，其中给定决策代理的连续几代比前几代更优化。像自然界中的生物一样，这个过程使用“繁殖、突变、重组和选择”。

Quanta Magazine 最近发表了几篇文章。一，“告诉细胞它们是什么的数学”讨论了数学优化作为基本生物系统的核心功能。

“通过进化，这些细胞已经弄清楚了如何使用调节 DNA来实现贝叶斯的技巧。”

“自然选择 [似乎] 足够努力地推动系统，以使其......达到细胞在物理允许的极限下运行的地步。”

第二个引用正是人工智能的目标，其中实用性受到物理（计算资源）的限制。一种算法增加效用的方法是增加计算能力，但另一种方法是改进算法以更有效地做出强有力的决策。（例如，模型难以处理的MCTS与蛮力。）

第二篇文章“数学上的简单性可能推动进化的速度”谈到遗传算法

“创造论者喜欢坚持认为进化必须以正确的顺序组装超过 300 个氨基酸，才能产生一种中等大小的人类蛋白质。如果每个位置都有 20 个可能的氨基酸，那么似乎就有超过 20300 种可能性筛选，一个使可观测宇宙中的原子数量变得无关紧要的数量。”

19x19 棋盘上的围棋游戏具有类似的品质——潜在游戏状态的数量远远超过宇宙中原子的数量，而且即使整个宇宙都转换为computronium，游戏仍然难以处理。

“他们论点中的致命缺陷在于，进化不只是随机测试序列：自然选择的过程对这个领域进行了筛选。此外，大自然似乎还以某种方式找到了其他捷径，缩小广阔的可能性空间的方法更小的、可探索的子集更有可能产生有用的解决方案。”

这也将准确描述修剪搜索空间的过程。文章的结论是，尽管仍有许多研究需要进行：

“将生活视为不断发展的软件的想法是富有成效的。”

本质上和计算机科学中的优化过程在精神上是相似的，如果不是事实上的话。

自动机作为人工生命的一种形式

第二个因素可能来自人工智能的神话，通过投机小说。在科幻小说中，自动机作为一种人工生命形式的想法是持久的。像《西部世界》、《银翼杀手》和《异形》系列这样的节目和电影，以安卓大卫作为可能取代人类的优越人工物种的典型例子，非常受欢迎。这些都是基于菲利普·K·迪克（Phillip K Dick）在《机器人梦到电羊》中阐述的想法，其情节开启了进化博弈论，写于该领域正式化前大约 5 年！（Dick 的影响力甚至可以在 Google 的“Nexus”中看到他们的 Android 手机的命名约定；）在这一切的背后还有这样一种想法，即人工智能本身是自然的一种功能，而人类仅仅是下一种主导生命形式的载体。