Δεν είμαι ενήμερος για την εν λόγω εξέλιξη και δεν ξέρω κατά πόσο περιγράφεται σωστά στο άρθρο, μιας και πολλές φορές τα εκλαϊκευμένα άρθρα περιέχουν πολύ χοντροκομμένες απλοποιήσεις. Όμως, οι Γενετικοί και Εξελικτικοί Αλγόριθμοι κυριαρχούν εδώ και πάρα πολλά χρόνια στην λύση προβλημάτων βελτιστοποίησης που δεν είναι δυνατό να λυθούν ντετερμινιστικά σε μικρό σχετικά χρόνο (NP-hard κλάση προβλημάτων). Οι συγκεκριμένοι αλγόριθμοι μοντελοποιούν τη βιολογική διαδικασία της εξέλιξης, δηλαδή αρχικά θεωρείται ότι υπάρχει για παράδειγμα ένας πληθυσμός 1000 ατόμων/λύσεων. Ο αρχικός αυτός πληθυσμός λύσεων είναι τελείως τυχαίος και οι λύσεις αυτές δεν είναι βέλτιστες. Ωστόσο, το πόσο καλή είναι καθεμία από αυτές τις λύσεις είναι δυνατό να βρεθεί και έτσι μπορούμε να αντιστοιχίσουμε την κάθε λύση του τρέχοντος πληθυσμού με μία πιθανότητα που μεγαλώνει όσο η λύση πλησιάζει τη βέλτιστη. Στη συνέχεια, ανάλογα με τις αντιστοιχισμένες αυτές πιθανότητες, βάζουμε τα άτομα/λύσεις "γονείς" να "ζευγαρώσουν" και να παράγουν λύσεις "παιδιά". Όσο πιο βέλτιστος είναι ο γονέας, τόσο πιο πιθανόν είναι να ζευγαρώσει. Από τον νέο πληθυσμό που προκύπτει αφαιρούμε τα χειρότερα άτομα ώστε να ξαναμείνουν μόνο 1000 άτομα και συνεχίζουμε με παρόμοιο τρόπο. Τελικά ο αλγόριθμος συγκλίνει σε κάποια λύση που ίσως να μην είναι η καλύτερη (ολικό βέλτιστο), αλλά πάντως μας εξυπηρετεί γιατί και καλή είναι, αλλά και καταλήξαμε σε αυτή μέσα σε 2 λεπτά αντί να περιμένουμε 200 χρόνια για να τελειώσει κάποιος ντετερμινιστικός αλγόριθμος.
Ενδιαφέρον παρουσιάζουν ακόμη κάποια νέα και παρόμοια στοχαστικά μοντέλα επίλυσης προβλημάτων βελτιστοποίησης, που στηρίζονται επίσης σε αρχές της βιολογίας και συγκεκριμένα αυτή τη φορά όχι στην εξέλιξη, αλλά στην εξομοίωση της κοινωνικής συμπεριφοράς ομάδων ζώων. Ένας τέτοιος αλγόριθμος αναφέρεται στο άρθρο που παρετέθηκε και πρόκειται για τη μέθοδο ACO (Ant Colony Optimization - Βελτιστοποίηση Αποικίας Μυρμηγκιών). Ο συγκεκριμένος αλγόριθμος είναι πραγματικά πάρα πολύ ενδιαφέρων και έχει αποδειχθεί και πολύ αποδοτικός. Έχει παρατηρηθεί, ότι τα μυρμήγκια καταφέρνουν να βρουν την πηγή τροφής που έχει την κοντινότερη απόσταση από τη φωλιά τους (δηλαδή λύνουν ένα πρόβλημα βελτιστοποίησης της απόστασης) ! Αρχικά κάθε μυρμήγκι περιπλανάται τυχαία. Μόλις ένα από αυτά συναντήσει μία πηγή τροφής, παίρνει λίγη και γυρίζοντας στη φωλιά του αφήνει ένα ίχνος φερομόνης που μπορούν να οσφρηστούν τα υπόλοιπα μυρμήγκια. Έτσι αν ένα άλλο τυχαία περιπλανώμενο μυρμήγκι συναντήσει κατά λάθος το ίχνος αυτό, τότε σταματάει την τυχαία πορεία του και κατευθύνεται προς την ίδια πηγή τροφής. Αυτό γινεται για κάθε κοντινή πηγή τροφής. Ωστόσο, το ίχνος φερομόνης σταδιακά εξατμίζεται και έτσι το ίχνος όσων πηγών βρίσκεται μακρύτερα από αυτά των άλλων, καταστρέφεται νωρίτερα. Με αυτόν τον τρόπο, στο τέλος μένει μόνο μια πηγή, η κοντινότερη. Η μεθοδολογία αυτή μπορεί να εφαρμοστεί και σε πολλά άλλα προβλήματα που μας ενδιαφέρουν. Ο άλλος πολύ σημαντικός αλγόριθμος που αφορά κοινωνική συμπεριφορά ζώων έχει να κάνει με σμήνη και ονομάζεται PSO (Particle Swarm Optimization - Βελτιστοποίηση Σμήνους Σωματιδίων).
Όσον αφορά στις παρατηρήσεις σου founio. Καταρχήν, η φυσική επιλογή δεν είναι τίποτα άλλο από ένα σύνολο αντικειμενικών (περιβαλλοντικών, κοινωνικών, κλπ) συνθηκών που ευνοούν κάποια άτομα. Αν αυτές οι συνθήκες υπάρχουν για πολύ καιρό είναι λογικό να εξαλειφθεί κάθε διαφορετικότητα που αφορά σε αυτές τις συνθήκες. Η οντότητα που ονομάζεις "θεός" δεν είναι σαφώς ορισμένη και το επιχείρημα ότι δεν μπορούμε να οικειοποιηθούμε το ρόλο του είναι σαθρό εξαρχής. Αυτό που συμβαίνει με τις συγκεκριμένες μεθόδους είναι ότι ορίζουμε ένα σύστημα και θέτουμε κάποιον περιορισμό για τη δομή του. Στη συνέχεια απλώς παρατηρούμε τις εξελίξεις και λαμβάνουμε τα αποτελέσματα. Για να κλείσω, το ζήτημα δεν είναι αν πρέπει να γίνουμε θεός, ούτε κατά πόσο έχουμε το δικαίωμα, ούτε κατά πόσο είναι νοημοσύνη ή "τεχνητή" νοημοσύνη αυτό που παράγουμε. Αυτά είναι προβληματισμοί που τίθενται πάνω σε αμφίβολες βάσεις. Το ζήτημα είναι πως ό,τι μπορούμε να εξηγήσουμε έχουμε τη χαρά και την αγωνία να το αναπαράγουμε.