基因算法（genetic algorithm）是人为地模拟自然选择过程的计算方法或工程方法，可以达到参数或系统优化的目的。自然选择可以同时构造负反馈和正反馈，负反馈使复杂度保持稳定，不发生大的倒退，正反馈则使进化不断加速（详见第1篇第3章）。基因算法模拟自然选择也可以达到同样的效果。

下面是雨果·德·加里斯应用基因算法来制造人工大脑的方法：令一个神经网络的每一个连接拥有一个权值，如果每一个权值用8比特的二进制小数表示，16个神经元用2048比特的串来表示。如果知道了所有的权值，并且知道输入信号的初始值，就可以知道每一个神经元发射的信号强度和整个神经网络是怎样运转的。我们可以提取某神经元的信号当作控制信号。然后随机产生100个比特串，每个比特串长2048比特，用每一个比特串可以构造一个相应的神经网络。用同样的初始信号来让网络的信号传输启动，提取其中的某些输出信号并且使用它们，比如，通过控制构成棍型腿的4个线条的角度来让机器人行走，测出一定时间内腿行走的距离，那些走较长距离的神经网络的比特串可以存活到下一代并复制和变异，距离短的死亡。（[美]雨果·德·加里斯.智能简史——谁会替代人类成为主导物种[M].胡静译.北京：清华大学出版社，2007:29-31.）

  在这个基因算法中，吸引子是机器人行走的最长的距离。用人工选择代替自然选择，用人工变异代替自然变异。变异和选择的速度都比在自然界里快得多，所以，进化的速度也快得多。加里斯从1992年开始制造人工大脑，到2000年开始制造像小猫一样的机器人。他1999年制造的CBMs（胞腔自动机-大脑机器）可以在几秒内进化成一个神经网络，也就是说，它可以在此时间内进行一次遗传算法的完整运算，完成几万个神经电路模块的生成和适应性的计算。它可以以每秒1300亿次的速度改变胞腔自动机细胞的颜色，可以处理将近1亿个人工神经元，计算能力相当于10000台个人电脑。（同上:38-39.）

  遗传算法的应用有三个重要意义：

  第一，它说明人类不仅找到了自然选择和进化的方法，而且找到了加快自然选择和进化的方法。

  第二，电路系统与生物神经系统的主要功能相同，复杂的电路和计算机神经网络系统与复杂的生物神经系统的主要功能也相同，所以复杂的电路和计算机神经网络系统也具有智能。过去的人类进化主要都是生物神经系统自发进化的结果，计算机不能自发进化。遗传算法让计算机也可以自发进化了，于是智能的进化主体由一个变成了两个。

  第三，由于人工智能成为人以外的进化主体，所以人的这种创造对人来说可能是一种异化。社会组织产生以后，由于社会组织的功能可以远远超出人的功能，于是进化的主体由人变成了社会组织，这种转变带来了严重的异化。社会组织不能自发地进化，社会组织的任何变异都来自人的意识，而人工智能可以自发变异和自主地选择，所以人工智能带来的异化将更加严重，甚至可能导致人类的毁灭。