Hasta ahora la historia ha sido sombría a propósito. Una búsqueda voraz, solo cuesta arriba — la evolución, el descenso de gradiente, tu propio ensayo y error — sube la colina más cercana y se para, varada en un óptimo local con un óptimo global más alto señalado al otro lado de un valle al que se niega a bajar. Tres lecciones dentro, ya predices esa trampa de un vistazo. Esta es la lección donde por fin hacemos algo al respecto.
Dos preguntas gobiernan toda la hora. Primera: ¿por qué algunos paisajes son trampas mortales y otros un paseo suave hasta la cima? Algunos problemas los resuelve la escalada tonta de colinas todas las veces; otros se la tragan entera. La diferencia tiene un nombre — escarpadura (ruggedness) — y una causa que podemos señalar. Segunda, y esta es la recompensa de todo el curso: ¿qué deja de verdad a una búsqueda cruzar un valle hacia un pico mejor? Hay una lista corta de movimientos de escape, y cada uno es una forma de dar un paso que la escalada voraz nunca daría. Luego, al final, un giro que replantea toda la trampa: qué pasa cuando el suelo no se queda quieto. Como siempre — adivina antes de espiar.
Before you read — take a guess
Un criador está seleccionando bacterias para un crecimiento más rápido. La colonia está atascada: cada mutación de un solo gen que el criador prueba hace el crecimiento *más lento*, así que la selección la mantiene exactamente donde está. Existe de verdad una combinación de tres genes que crecería el doble de rápido — pero solo la alcanzas pasando primero por las versiones intermedias, cada una de las cuales crece más lento que la colonia ahora. ¿Puede la selección simple, dando pasos solo hacia vecinos más aptos, llevar alguna vez la colonia hasta allí?
Esa colonia atascada es esta lección en miniatura: existe de verdad un diseño mejor, y lo único que se interpone entre él y la población es un valle — un tramo de diseños peores por el que el escalador voraz no pasará. Todo lo de abajo va sobre qué pasa por ahí a pesar de todo.
Suave vs. escarpado: por qué la forma del terreno decide tu destino
La analogía. Imagina dos paisajes uno junto al otro. El primero es un solitario monte Fuji — un cono enorme y suave alzándose sobre una llanura. Suelta un escalador en cualquier punto y pasea directo hasta la cima; no hay ningún otro sitio donde atascarse, porque solo hay un pico y cada paso hacia arriba es un paso hacia la cima. El segundo es una sierra dentada — los Alpes, digamos — miles de picos y collados apiñados, de modo que dar un metro de lado puede hacerte caer por un precipicio o trepar por un espolón de una montaña totalmente distinta. Suelta al mismo escalador aquí y corona el primer risquito que toca y lo deja, con la verdadera cima alta perdida en algún lugar al otro lado de un laberinto de valles.
El mismo escalador. Una suerte radicalmente distinta. Lo único que cambió fue la forma del terreno.
La definición precisa. La escarpadura (ruggedness) mide lo correlacionada que está la aptitud entre diseños vecinos — cuánto cambia la aptitud un pequeño cambio en el diseño. En un paisaje suave, los vecinos tienen aptitud parecida (la aptitud está muy correlacionada por el terreno): un pequeño retoque mueve la calidad un poco, así que «cuesta arriba» apunta de forma fiable hacia la única cima real, y hay pocos picos — a menudo solo uno. En un paisaje escarpado, los vecinos tienen aptitud radicalmente distinta (la aptitud no está correlacionada): un pequeño retoque puede oscilar la calidad de excelente a letal, así que el terreno es un caos de muchos picos, y la escalada de colinas queda clavada en el que le toque tocar. La suavidad es una promesa de que la información local («¿qué paso cercano sube?») te apunta hacia el mejor global. La escarpadura rompe esa promesa.
¿Y qué hace escarpado a un paisaje? Esta es la parte que merece grabarse en piedra, porque te dice de antemano qué problemas atraparán a una búsqueda voraz. La escarpadura viene de las interacciones entre las partes del diseño. Cuando cada parte contribuye a la aptitud por sí sola — de forma independiente — el paisaje es suave: puedes optimizar cada mando por separado y los buenos ajustes nunca se pelean entre sí, así que hay un único pico ancho. Pero cuando las partes interactúan — cuando el mejor ajuste de una parte depende de cómo estén puestas las demás — el paisaje se abolla en crestas y trampas, porque mejorar una parte puede arruinar la contribución de otra.
En genética esta interacción tiene un nombre: epistasia (epistasis) — cuánto depende el efecto de un gen de qué otros genes están presentes. Poca epistasia (los genes actúan de forma independiente) significa un paisaje suave; mucha epistasia (los genes solo tienen sentido en combinación) significa uno escarpado. En ingeniería y diseño lo mismo se llama acoplamiento (coupling): componentes poco acoplados (cambias uno sin perturbar el resto) dan un espacio de diseño suave; muy acoplados (cada parte constriñe a las demás) dan uno escarpado, plagado de trampas. Es el mismo hecho con dos disfraces — más interacción entre las partes significa más escarpadura significa más óptimos locales en los que atascarse.
| Paisaje suave | Paisaje escarpado | |
|---|---|---|
| Aptitud de los vecinos | Parecida — muy correlacionada | Radicalmente distinta — sin correlación |
| Número de picos | Pocos (a menudo uno) | Muchos — un laberinto de óptimos locales |
| ¿Funciona escalar colinas? | Sí — encuentra de forma fiable el mejor global | No — queda atrapada casi siempre |
| Qué lo causa | Las partes actúan de forma independiente (poca epistasia / acoplamiento flojo) | Las partes interactúan (mucha epistasia / acoplamiento fuerte) |
| Se siente como | Un solitario monte Fuji | Una sierra dentada |
Ejemplo resuelto — el ala y el teclado. Supón que la aptitud es «lo bien que vuela un ala», y el diseño tiene diez mandos independientes (longitud, curvatura, grosor…), cada uno de los cuales ayuda un poco por sí solo y no le importa mucho cómo estén puestos los demás. Eso es un espacio suave: ajusta cada mando hacia su mejor valor y subes un único pico ancho — fácil. Ahora supón que el diseño es una distribución de teclado, donde el valor de una tecla depende enteramente de dónde estén todas las demás (una letra común está bien junto a otra letra común solo si tus dedos alcanzan ambas). Cada parte interactúa con todas las demás — epistasia máxima — así que el espacio es salvajemente escarpado: QWERTY y Dvorak y otras mil distribuciones son todas picos locales separados, cada uno inmejorable moviendo una tecla, ninguno alcanzable desde otro sin ponerse peor primero. Por eso las distribuciones de teclado quedan fijadas (lock-in) y las alas no: un problema es suave, el otro escarpado, puramente por cuánto interactúan las partes.
La idea equivocada: «una búsqueda difícil significa un buscador débil»
Cuando una búsqueda se atasca, el instinto es culpar al buscador — no fue lo bastante listo, no lo intentó lo suficiente. A menudo el verdadero culpable es la forma del problema. El mismo escalador de colinas que resuelve un paisaje suave sin fallos queda atrapado sin remedio en uno escarpado. La mitad de conseguir buenos resultados es diagnosticar el terreno — ¿cuánto interactúan las partes? — no afilar al escalador. Una búsqueda brillante en un paisaje escarpado y una tonta en uno suave pueden intercambiar resultados con toda facilidad.
Dos problemas de diseño aterrizan en tu mesa. Problema A: cada uno de 20 componentes contribuye a la calidad por sí solo, y el mejor ajuste de cada uno apenas depende de los demás. Problema B: los 20 componentes son muy interdependientes — el mejor ajuste de cada uno depende mucho de todos los demás. ¿Qué paisaje de problema es más escarpado, y qué predice eso para una búsqueda voraz de escalada de colinas?
Cuándo usarlo
Echa mano de suave-vs-escarpado en el instante en que estés decidiendo cuánto fiarte de una búsqueda voraz de mejora-lo-que-tienes-delante. Hazte una pregunta: ¿cuánto interactúan las partes de este diseño? Si son en su mayoría independientes, el paisaje es suave — fíate de la búsqueda local, encontrará el mejor. Si están muy acopladas, el paisaje es escarpado — espera óptimos locales, y planea gastar esfuerzo en escapar de ellos, no solo en escalar. El diagnóstico corre sobre genomas, sobre problemas de aprendizaje automático, sobre organigramas, sobre tus propias habilidades. La interacción es la señal.
Qué cruza de verdad un valle
Aquí está — el corazón del curso. Un escalador voraz está atrapado porque cruzar un valle significa dar un paso cuesta abajo, y no lo dará. Así que cada escape es, en el fondo, una forma de dar un paso que el escalador voraz rechaza — moverse a un diseño temporalmente peor para alcanzar uno permanentemente mejor. Hay cuatro de esos movimientos. Apréndelos como un conjunto; la evolución real (y la optimización real) usa los cuatro.
(1) Mutación — un gran salto a través del valle
El movimiento. La mayor parte del tiempo, la variación es pequeña: cambia una sola base, el diseño se desplaza un paso, y la selección juzga si ese vecino es más apto. Pero de vez en cuando una mutación grande — un cambio grande y aleatorio — lanza el diseño muy lejos por el terreno de un solo salto. Ocasionalmente aterriza en la ladera de una colina distinta por completo — una que la escalada local nunca podría haber alcanzado, porque el camino hasta allí bajaba cuesta abajo. Desde esa nueva ladera, la escalada cuesta arriba ordinaria toma el relevo y corona un pico más alto.
El coste. Aquí está el truco, y es brutal: la mayoría de los grandes saltos aterrizan en un valle y mueren. Un cambio grande y aleatorio a un diseño que funciona es mucho más probable que lo rompa a que lo mejore — saltas, y te estrellas en la tierra baja, un diseño peor que la selección descarta al instante. Los grandes saltos son una lotería: victorias raras y espectaculares compradas con un montón de boletos perdedores. Por eso la evolución mantiene las tasas de mutación bajas pero no nulas — lo bastante altas para lanzar ocasionalmente un linaje a una colina nueva, lo bastante bajas para no fundir cada buen diseño que ya ha encontrado.
(2) Deriva genética en poblaciones pequeñas — vagar cuesta abajo por accidente
El movimiento. En una población pequeña, el azar domina. Qué individuos resultan reproducirse es en parte suerte — uno apto podría acabar comido antes de criar, uno corriente podría tener suerte — así que las frecuencias génicas derivan (drift) al azar de generación en generación, sin importar la aptitud. Y la deriva aleatoria puede llevar a una población pequeña cuesta abajo, cruzando un valle poco profundo, puramente por accidente — porque la selección no es lo bastante fuerte para detenerla. Una vez que la deriva ha bajado a la población hasta la base de un pico más alto, la selección ordinaria la agarra y escala. Una población grande no puede hacer esto: con números enormes, la suerte se promedia, la selección domina cada paso, y la población queda clavada a su pico local, incapaz de dar ni un solo paso cuesta abajo por azar.
Este es exactamente el argumento del propio Sewall Wright — el mismo Wright que dibujó el paisaje. Su teoría del equilibrio cambiante (shifting balance theory) sostenía que la evolución escapa de los picos locales precisamente porque las poblaciones reales están subdivididas en grupos pequeños, donde la deriva puede empujar a un grupo a cruzar un valle que una sola población enorme nunca podría cruzar. El tamaño pequeño, normalmente una desventaja, se convierte en la vía de escape.
(3) Recombinación — combinar buenas subsoluciones
El movimiento. El sexo baraja bloques de construcción. La recombinación (recombination) toma la mitad de un genoma de un progenitor y la mitad de otro y las cose juntas — y si cada progenitor se sienta cerca de un pico bueno distinto, su descendencia puede heredar las buenas subsoluciones de ambos y aterrizar en algún sitio que ninguno de los dos progenitores podría alcanzar solo por mutación. En vez de cruzar el valle paso a paso, la recombinación salta entre picos mezclando las mitades que funcionan. Cuando las partes buenas de un diseño son algo modulares — trozos separables que cada uno ayuda — barajarlas es una forma pasmosamente eficaz de explorar nuevas combinaciones sin descender por cada intermedio.
(4) Crestas neutrales — el valle que nunca tienes que cruzar
El movimiento. A veces no cruzas ningún valle — porque no hay ninguno. Los paisajes reales están plagados de crestas neutrales (neutral ridges): conexiones llanas, de igual aptitud, entre regiones, donde muchos diseños distintos tienen todos la misma aptitud. Toda una red de estos diseños de igual altura es una red neutral (neutral network). Un linaje puede vagar de lado por la cresta sin coste alguno — cada paso no es ni mejor ni peor, así que la selección ni lo empuja ni lo bloquea — desplazándose por el terreno hasta llegar a un punto desde el cual una nueva colina, más alta, está de pronto a un solo paso cuesta arriba. Nunca bajó; caminó por lo llano, y luego escaló. Las redes neutrales convierten muchos paisajes que parecen plagados de trampas en unos que una búsqueda puede cruzar en silencio, porque el «valle» entre picos a menudo está salvado por una calzada llana.
Los cuatro escapes, uno al lado del otro
Cada uno de estos da un paso que el escalador voraz no dará. La gran mutación salta a través del valle (y normalmente muere en él). La deriva en una población pequeña vaga cuesta abajo por suerte hasta la base de un pico más alto. La recombinación mezcla buenas subsoluciones de dos picos en una descendencia. Las crestas neutrales dejan a un linaje caminar por un sendero llano entre picos, así que nunca desciende. El hilo común: escapar de un óptimo local exige tolerar algo distinto de la mejora inmediata — un riesgo, un paseo cuesta abajo, un barajado, o un paciente paseo de lado.
Juega con todo esto ahora. El paisaje de abajo tiene un control de escarpadura — arrástralo de suave (un Fuji suave) a escarpado (una sierra dentada de trampas) y mira explotar el número de picos. Suelta una población, deja que escale y se atasque, luego pulsa Mutar / gran salto para lanzarla a un sitio nuevo — a veces a la ladera de una colina más alta a la que nunca habría podido escalar, a menudo a un valle donde muere. E ignora el interruptor Terreno cambiante (Reina Roja) un minuto más — estamos a punto de ganárnoslo.
Hill-climbing
Terreno escarpado, y los saltos que escapan de él
Every possible design sits along the bottom axis; its fitness — how well it works — is the height. Drop a population, then let selection climb: it only ever steps uphill. Watch where it gets stuck, crank up the ruggedness, and try a big mutation jump to escape.
Aptitud 0 de un posible 66. Suelta una población en algún punto del paisaje y deja que la selección suba la colina más cercana.
Dos cosas para grabarse a fuego mientras juegas. Primero, la escarpadura es el enemigo de la búsqueda voraz — en el ajuste suave el escalador es impecable, y cada muesca de escarpadura que añades entierra otra trampa. Segundo, el escape siempre cuesta algo: el gran salto normalmente aterriza en un valle y muere, y ese riesgo es el precio de alcanzar ocasionalmente un pico más alto. No hay forma gratis de cruzar un valle. Si la hubiera, no sería un valle.
Selecciona TODOS los mecanismos de abajo que puedan ayudar de verdad a una búsqueda a CRUZAR un valle de aptitud para alcanzar un pico más alto. (Más de uno es correcto.)
Clasifica cada factor según si tiende a AYUDAR a una búsqueda a cruzar un valle (escapar de un pico local) o a MANTENERLA atascada en su pico local actual.
Place each item in the right group.
- Un paisaje perfectamente suave, de un solo pico
- Una población enorme donde la selección domina cada paso
- Una mutación grande y aleatoria que salta lejos a través del terreno
- Deriva genética en una población pequeña
- Recombinación que mezcla buenos bloques de construcción de dos linajes
- Mutación cero — el diseño nunca varía en absoluto
- Escalada de colinas estricta, solo cuesta arriba y sin previsión
- Una cresta neutral llana, de igual aptitud, entre dos regiones
Cuándo usarlo
Siempre que una búsqueda esté atascada — un linaje evolutivo estancado, un entrenamiento encajado en un mal óptimo, una carrera o una empresa que llegó a una meseta — repasa la lista de cuatro. ¿Puede dar un gran salto (una apuesta audaz y arriesgada lejos del diseño actual)? ¿Es lo bastante pequeña para derivar (puede permitirse ponerse peor de forma temporal sin morir)? ¿Puede recombinar (tomar prestadas y mezclar buenas piezas de otro sitio)? ¿Hay un sendero neutral (un movimiento lateral sin coste inmediato que abre terreno nuevo)? Cada escape real de un óptimo local es uno de estos disfrazado. Y cada uno pide lo mismo, incómodo: tolerar lo no-inmediatamente-mejor a cambio de lo quizá-mucho-mejor.
El giro de la Reina Roja: un paisaje que no se queda quieto
Todo lo de arriba supuso que el terreno se está quieto mientras lo escalas. Suelta ese supuesto, y toda la imagen cambia.
La analogía. Estás escalando un pico. Casi has coronado un magnífico óptimo local — y entonces el suelo empieza a deformarse bajo tus pies. El pico sobre el que estás se está hundiendo, sumergiéndose en la llanura, mientras una colina en la que apenas te habías fijado enfrente se está alzando. Levantas la vista y la cima — el mejor diseño — se ha movido. Te apresuras a seguirla, y para cuando te acercas se ha movido otra vez. No hay lugar final de descanso, porque el propio paisaje está vivo.
Qué está pasando de verdad. En un ecosistema real, tu aptitud no depende solo de la física fija del mundo — depende de qué está haciendo todo el mundo, y todo el mundo está escalando también. Cuando tu presa se vuelve más rápida, tu pico de «diseño actual de caza» se hunde; cuando un parásito evoluciona rodeando tu defensa, tu pico de «diseño inmune actual» se derrumba; cuando un competidor se adapta para explotar tu nicho, el suelo que conquistaste se hunde bajo tus pies. La escalada de tus rivales remodela tu paisaje. Esto es la coevolución (coevolution), y es exactamente el mismo motor que el efecto de la Reina Roja (Red Queen effect) — el modelo donde, porque tu entorno se adapta de vuelta hacia ti, «hace falta correr todo lo que puedas para quedarte en el mismo sitio». Allí, lo que se movía era tu posición relativa; aquí, es la forma del propio terreno. Un pico que conquistas no sigue siendo un pico. La cima no para de moverse, así que no hay ningún óptimo final y fijo que encontrar.
Activa Terreno cambiante (Reina Roja) en el paisaje de arriba y míralo: en el momento en que tu población conquista un pico, ese pico empieza a hundirse bajo sus pies, y tiene que escalar de nuevo — persiguiendo una cima que no para de escurrirse. Eso no es un fallo de la búsqueda. Eso es lo que optimizar contra un oponente vivo es.
El replanteamiento: a veces el suelo se mueve antes de que te atasques
Todo lo anterior a esta sección trató «atascarse en un pico local» como el peligro central. La Reina Roja le da la vuelta. En un paisaje coevolutivo, a menudo no llegas a disfrutar tu pico local el tiempo suficiente para quedar atrapado en él — el suelo se deforma primero. Un pico que escalaste se hunde a medida que los competidores escalan los suyos; todo el terreno se agita y se remodela; el blanco que optimizabas no para de moverse. Por esto la búsqueda biológica (y competitiva) real nunca se asienta de verdad: no está cazando un mejor diseño fijo, está corriendo sobre un paisaje que corre de vuelta. La trampa («atascado en un pico bajo») y la cinta de correr («el pico no se queda quieto») son los dos grandes modos de fallo — y el segundo suele ser el más profundo.
Un linaje de depredadores ha pasado milenios perfeccionando su diseño de caza y ahora se sienta en un pico local alto: cada pequeño retoque lo vuelve peor cazador de su presa actual. Entonces la presa evoluciona para ser mucho más difícil de atrapar. En términos de paisaje adaptativo, ¿qué le acaba de pasar al depredador?
Tres ideas equivocadas que merece la pena matar
La historia de cruzar valles atrae tres conclusiones tentadoras y erróneas. Mátalas las tres ahora.
«La mutación es dañina, así que la evolución debería minimizarla.» Es cierto que la mayoría de las mutaciones son neutrales o dañinas — un cambio aleatorio a un diseño que funciona normalmente lo rompe. Así que el arreglo ingenuo es: lleva la mutación a cero, conserva solo los buenos diseños que has encontrado. Pero eso es una sentencia de muerte disfrazada: la variación es lo único que puede cruzar un valle. Un linaje con mutación cero está permanentemente congelado en cualquier pico local en el que esté — nunca puede saltar a una colina mejor, nunca derivar, nunca explorar. La mutación es el precio de entrada a cada pico más alto. La tasa correcta no es cero; es ajustada — lo bastante baja para no fundir los buenos diseños, lo bastante alta para seguir lanzando ocasionalmente un linaje a terreno nuevo.
«Los saltos más grandes siempre son mejores — si un salto pequeño puede escapar, uno enorme escapa más.» No — hay un compromiso (trade-off), y muerde fuerte. Un salto más grande te deja más lejos de tu diseño actual, lo que significa que es mucho más probable que aterrice en un valle letal que en una ladera útil, sencillamente porque la mayor parte de un paisaje escarpado es tierra baja. Los saltos diminutos rara vez escapan pero rara vez matan; los saltos enormes ocasionalmente escapan pero normalmente matan. El tamaño óptimo de salto es intermedio y depende del terreno — un problema de ajuste, no de «más es mejor». La evolución, y todo buen optimizador, ajusta su tamaño de paso en vez de maximizarlo.
«Siempre hay ahí fuera un mejor diseño fijo que encontrar.» La Reina Roja dice: no necesariamente. En un paisaje coevolutivo, la cima no para de moverse — un pico que conquistas se hunde a medida que los rivales escalan, y el blanco que optimizas se escurre. Buscar «el único mejor diseño» en tal paisaje es perseguir un espejismo. A veces la meta honesta no es alcanzar el óptimo sino mantenerse al día con uno que se mueve.
Consolida toda la lección rellenando el vocabulario:
Pick the right option for each blank, then check.
Un paisaje cuyos diseños vecinos tienen aptitud parecida es y fácil de buscar; uno donde un pequeño cambio oscila la aptitud radicalmente es y está lleno de trampas. La escarpadura la causa — en genética esto se llama . Para escapar de un pico local, una gran puede saltar a través del valle (aunque normalmente aterriza en uno y muere), la en una población *pequeña* puede vagar cuesta abajo por azar, y la puede mezclar buenas subsoluciones de dos picos. Un sendero llano, de igual aptitud, es una , que deja a un linaje cruzar sin coste. Y cuando los rivales también se adaptan, el giro de la significa que el propio paisaje no se queda quieto — no hay ningún mejor diseño fijo.
Un adelanto: explorar vs. explotar
Fíjate en la tensión que zumba bajo cada movimiento de escape. Escalar tu colina actual cada vez más alto — exprimir hasta la última pizca de aptitud del diseño que ya tienes — es explotar lo que funciona. Cruzar un valle en busca de una colina mejor — dar el salto arriesgado, el paseo cuesta abajo, el barajado — es explorar algo mejor. Y las dos se pelean: cada paso que gastas explorando es un paso que no gastaste perfeccionando lo que tienes, y viceversa. Explota demasiado fuerte y estás atrapado para siempre en un pico bajo, magníficamente optimizado para la mediocridad. Explora demasiado fuerte y nunca escalas nada, saltando eternamente a valles. Toda búsqueda — la evolución, el aprendizaje automático, los negocios, una vida — está en secreto eligiendo un equilibrio entre las dos, en cada paso. Ese compromiso, el dilema explorar-vs-explotar (explore vs. exploit), es el tema maestro de la próxima lección, donde el paisaje por fin escapa de la biología por completo.
Recapitulación
Llegaste sabiendo ver una trampa; te vas sabiendo escapar de una — y ver cuándo la propia trampa no se queda quieta:
- La escarpadura lo decide todo. Un paisaje suave (vecinos correlacionados, pocos picos — un solitario Fuji) deja a la escalada voraz encontrar el mejor global; uno escarpado (vecinos sin correlación, muchos picos — una sierra dentada) la atrapa casi siempre. El mismo escalador, destino opuesto.
- La escarpadura la causa la interacción entre las partes — epistasia en genética, acoplamiento en diseño. Partes independientes dan un espacio suave; partes muy interactivas lo fracturan en óptimos locales. Diagnostica el terreno, no el buscador.
- Cuatro movimientos cruzan un valle, cada uno tolerando algo distinto de la mejora inmediata: una gran mutación lo salta (normalmente muriendo en él — el coste), la deriva en una población pequeña vaga cuesta abajo por suerte (el equilibrio cambiante de Wright), la recombinación mezcla buenas subsoluciones de dos picos, y una cresta neutral ofrece un cruce llano sin coste.
- Tres trampas que evitar: no lleves la mutación a cero (la variación es lo único que puede cruzar un valle — mutación cero es prisión permanente); no supongas que los saltos más grandes son mejores (los saltos más grandes aterrizan más a menudo en valles letales — el tamaño de paso es un problema de ajuste); y no supongas que hay un mejor diseño fijo (la Reina Roja dice que el blanco puede seguir moviéndose).
- El giro de la Reina Roja: cuando tus rivales, presas y parásitos también se adaptan, el paisaje se deforma bajo tus pies — un pico conquistado se hunde a medida que los competidores escalan, la cima no para de moverse, y no hay ningún óptimo final y fijo. A veces el suelo se mueve antes de que siquiera te atasques.
Compruébate: escarpadura y cruzar valles
Quieres predecir si la escalada de colinas voraz simple resolverá de forma fiable un problema de diseño, o quedará atrapada en un óptimo local. ¿Cuál es lo más útil que comprobar sobre el problema?
Check your answer to continue.
Hacia dónde va esto
Ahora posees ambas mitades de la historia de la búsqueda: qué atrapa a un escalador voraz (la escarpadura, nacida de partes que interactúan) y qué lo libera (los cuatro movimientos de cruzar valles), más el replanteamiento de la Reina Roja donde el terreno ni siquiera se queda quieto. Puedes mirar cualquier búsqueda atascada y correr el diagnóstico — ¿qué escarpadura tiene esto, y qué escape necesita? — y has conocido la tensión que gobierna todo el asunto: explotar la colina en la que estás, o explorar una mejor.
Lo siguiente es la lección 6, El Modelo en Todas Partes, donde el paisaje adaptativo se despoja de su biología y aparece con la misma forma en cada campo que busca. Lo dibujaremos como descenso de gradiente sobre una superficie de error de aprendizaje automático (el paisaje, del revés), como disrupción empresarial (una empresa perfeccionando su pico mientras un rival escala una montaña más alta que vuelve irrelevante la primera) y como tus propios estancamientos de habilidad (el óptimo local del que tienes que ponerte peor para escapar). Y por fin cobraremos el gran compromiso que zumba bajo todo ello — explorar vs. explotar — el único dial que cada búsqueda, evolucionada o diseñada o vivida, está girando para siempre.