橋牌、高爾夫、槌球、西洋棋、圍棋、西洋跳棋，只要你說得出名字的玩意，他都會玩。但是，很久以前對賀南而言，這些遊戲就已經不只是遊戲而已。他開始注意到有些遊戲有一種特殊的魔力
根據議程，經濟會議的第二場演講會在第一天午餐後開始，然後持續整個下午。主講人是密西根大學的賀南（John H. Holland），講題是全球經濟的適應性過程。
現在，亞瑟已經作完演講，他開始對下一場演講感到好奇，不只是因為題目聽起來很有趣。那年秋天，賀南是聖塔菲研究院的另一名訪問學者，他們兩個人被安排同屋而居。但是賀南直到前一天深夜才抵達聖塔菲，當時亞瑟正好抓住最後機會，到修道院反覆練習第二天的演講。亞瑟沒有看到賀南，他只知道賀南是個電腦科學家，而且根據研究院的說法，他是個非常好的人。
研究院的說法似乎沒錯。當大家開始回座，賀南已經站上台，準備開始。他是個短小精悍、六十開外的中西部人，寬大、紅潤的臉上似乎隨時都掛滿笑容，高昂的聲音使他聽起來像個熱誠的研究生。亞瑟立刻對他產生好感。
賀南開始演講。幾分鐘內，亞瑟的瞌睡蟲立刻一掃而空，聚精會神的聆聽賀南演講。
永恆的新奇
賀南首先指出，經濟學是聖塔菲研究院所謂複雜適應性系統的絕佳範例。在大自然的世界裏，這類的系統包括腦子、免疫系統、生態、細胞、胚胎，以及螞蟻群等。在人類的世界裏，則包括像政黨或科學社群等文化及社會體系。一旦你學會如何辨識，你會發現這些體系無所不在。但是，無論在何處，這些系統似乎都有一些重要的共同特性。
第一，每一個系統都是許多作用體（agent）平行作用的網路。在腦部，作用體就是神經細胞；在生態系統，作用體就是物種；在細胞內，作用體就是像細胞核和粒線體（mitochondria）之類的細胞器（organelle）；在胚胎中，作用體是細胞，以此類推。在經濟體系中，作用體可能是個人或家庭；如果以經濟循環為例，作用體可能是公司；如果以國際貿易為例，作用體甚至可能是整個國家。但是無論在哪一種狀況，每一種作用體身處的環境都是它和系統中其他作用體互動之下的產物。作用體不斷發生作用，或對其他作用體起反應，因此，環境中幾乎沒有一件事是固定不變的。
賀南說，更重要的是，複雜適應性系統的控制功能非常分散。例如，我們的腦子裏沒有主要的神經元，發展中的胚胎也沒有主要的細胞。如果系統中有任何連貫性的行為，也必然是出於作用體之間的競爭和合作。即使在經濟體系中，亦復如此。問問任何一位想要振興經濟的美國總統吧，他會告訴你，不管華盛頓當局如何在利率、稅政和貨幣供給上大作文章，經濟體系的整體表現仍然依賴於數以百萬計的個人每天所做的不計其數的經濟決定。
第二，複雜適應性系統在組織上有許多不同的層次，每一種層次的作用體都是更高層次作用體的基本單位。蛋白質、脂肪、核酸會組成細胞，一群細胞組成組織，組織集合而成器官，器官組合成有機體，許多的有機體就會形成生態系。在腦部，一群神經元會形成語言中樞，另一群神經元組成運動皮層，另一群再組成視覺皮層。同樣的，一群員工組成部門，許多部門組成公司、進而組成經濟部門（economic sector）、國家經濟、甚至世界經濟。
不斷修正和重組
賀南認為特別重要的是，當複雜適應性系統累積了相當的經驗後，會不斷的修正或重組它的基本單位。一代又一代的有機體經由演化的過程，修正並重組組織。當個人學習到不同的知識之後，他的腦袋會持續的加強或減弱神經元之間數不清的連繫。一家公司會擢升表現好的員工，並且為提升效率，重新安排組織圖。國家會簽訂新的貿易協定，並且結交新的盟友。
在更深入而根本的層面上，這一切學習、演化及適應的過程都如出一轍。無論在任何體系中，適應的基本機制之一就是修正和重組基本單位。
第三，所有的複雜適應性系統都能預期未來。顯然，經濟學家對這點絲毫不感驚訝。由於大家預期不景氣會持續下去，可能使許多人延後購買新車或度假，結果就更確保了持續的不景氣。石油短缺的預期心理，也可能導致原油市場上出現劇烈的買賣震盪，無論是不是真的會發生石油短缺。
但事實上，預期和預測的意義不只是人類的先見之明而已。從小小的細菌開始，每一種生物的基因中都隱含了預測的密碼：在某種環境中，這種遺傳藍本所指定的有機體可能會表現得比較好。同理，每一個有腦子的生物也都有數不清的隱含性預測，被譯成密碼存放在學習的資料庫中：在ABC的情況下，採取XYZ反應會比較有利。
一般而言，每一個複雜適應性系統都會根據它對於外界運作方式的假設，而不斷作預測。而且，這些內在的假設模型不只是被動的藍圖而已，它們其實異常活躍，就好像電腦程式中的副常式（subroutine），能夠在某種狀況下活過來，執行（產生）系統的行為。事實上，你可以把這種內在模型想像成行為的基本單位。而它們也就像其他的單位一樣，當系統獲得經驗時，可以被測試、精煉、重組。
均衡就等於死亡
最後，賀南說，複雜適應性系統通常會有很多利基，使每個作用體都能占得一席之地。因此，在經濟的世界裏，電腦程式設計師、修水管的工人、鋼鐵廠、寵物店都各得其所，而雨林裏的樹獺和蝴蝶也各有其生存的空間。而且，每個位置被填滿的時候，也就為新的寄生蟲、新的掠奪者或被捕食者、新的共生夥伴，開啟了更多的位置。所以，系統不斷開創新的機會。這也就表示，要討論複雜適應性系統的均衡狀態，是毫無意義的事情，這種系統永遠也不會到達均衡狀態，而總是在不斷的發展、轉換。
事實上，如果這種系統真有一天達到均衡，那麼它的狀態將不只是穩定而已，而是死亡。此外，想像系統中的作用體能不能把它們的適應力或效用發展到極限，也是毫無意義。因為可能性太大，不可能找到極限。作用體所能做的最多只是相對於其他作用體的表現，儘可能改變或改善自己的行為。簡單的說，複雜適應性系統的特性就是永恆的新奇。
賀南說，難怪我們很難用傳統的數學方式來分析複雜適應性系統。像微積分或線性分析之類的傳統技巧，很適合描述在固定環境中不變的粒子；但是，如果真要深入了解經濟或複雜適應性系統，你需要的是強調內在模型、新基本單位的突現、以及多種作用體間頻繁互動關係的數學及電腦模擬技巧。
賀南一面演說，亞瑟一面振筆疾書。當賀南繼續形容在過去三十年來，他為了使這些概念更精確、更有用而發展出來的各種電腦技巧時，亞瑟作筆記的速度更快了。他說：真是令人難以置信，整個下午我都目瞪口呆的坐在那裏。不只是因為賀南的觀念正與他過去八年來研究的報酬遞增經濟學不謀而合，也不只是因為賀南關於利基的觀點，恰好就是他和考夫曼過去兩個星期從自動催化組獲得的啟發；而是賀南看事情的整個統一、清晰、持平的方式，會讓你拍拍額頭說：當然是這樣！我怎麼沒有想到呢？賀南的想法能使人有一種頓悟，而開始在腦中爆發更多的想法。
亞瑟說：賀南一句一句的回答了多年來我一直自問的各種問題：什麼是適應？什麼是突現？還有很多我自己都不曉得的疑惑。亞瑟還不清楚這一切要如何應用在經濟學上，事實上，當他環顧四周，他看到其他一些經濟學家如果不是根本懷疑，就是露出困惑的表情。（至少有一個人正在夢周公。）但是，我相信賀南的研究要比我的研究複雜太多了。他覺得，賀南的想法一定非常的重要。
惺惺相惜
當然聖塔菲研究院的想法也一樣。無論在出席經濟會議的學者眼中，賀南的觀念是多麼新奇古怪，事實上，賀南早就成為聖塔菲核心分子熟悉而深具影響力的人物。
賀南第一次到聖塔菲是在一九八五年，受邀參加法默和派卡德所籌畫的學術研討會，主題是演化、遊戲和學習（Evolution, Games, and Leaming）。（也就在這次會議中，法默、派卡德和考夫曼報告了他們模擬自動催化組的結果。）賀南的演講是談突現，演講進行得很順利，但是他記得有一位聽眾接二連三的問他一些尖銳的問題。那個傢伙頭髮花白，專注而略帶嘲諷的臉上，炯炯目光透過黑邊眼鏡直射過來。我回答問題的時候有點不客氣。我不認識他，如果我知道他是誰，我大概早就嚇死了！賀南說。這個人是葛爾曼。
無論賀南的回答是不是很粗魯，葛爾曼顯然很喜歡賀南的想法。不久之後，葛爾曼打電話給賀南，問他願不願意加入當時剛成立的聖塔菲諮詢委員會。
賀南同意了。我一看到這個地方就喜歡，他說：我喜歡他們談論的話題，他們做事的方式，我的立即反應是：我希望這些傢伙喜歡我，因為這地方很適合我！
葛爾曼顯然心有戚戚焉。他談到賀南時，用的字眼是才華洋溢，這可不是他平常會隨便加諸於任何人的形容詞。但是，葛爾曼也不是經常有大開眼界的感覺。早期，聖塔菲研究院的創辦人如柯文、葛爾曼等人想到複雜科學的時候，幾乎都完全繞著他們早已熟悉的物理概念打轉，像突現、集體行為、自我組織等等。而且，他們原也認為，只要加上這些概念在經濟學和生物學上的應用，也就足以構成非常豐富的研究計畫。然後，賀南跑來發表了他對適應性的分析，更不要提他的電腦模型了。突然之間，葛爾曼和其他人發現他們的研究計畫遺漏了很重要的部分：這些突現的結構實際上在做什麼？它們如何對環境反應，及適應環境？
在那幾個月內，他們一直在討論研究院是不是應該不只是研究複雜系統，而是研究複雜適應性系統。而賀南個人的研究計畫了解突現和適應相互牽連的過程，也就變成研究院的主要研究計畫。在研究院最早的幾次大型會議之一由柯文和費德曼於一九八六年籌畫的複雜適應性系統研討會中（也就是考夫曼第一次參加的研討會），他更成為主角。第二天，潘恩斯把賀南帶去參加與瑞得的討論會。安德森也邀請他參加一九八七年九月的這次大型經濟會議。
賀南欣然參加所有的會議。他已經沒沒無聞的在適應的概念下了二十五年的苦功。直到現在，他已經五十七歲了，才遇到伯樂。能夠和葛爾曼、安德森這類的人當面談話，而且被平等對待，真是太棒了！我簡直不敢相信！如果不是他的妻子因為工作而無法離開安娜堡（她是密西根大學七家科學圖書館的總館長），賀南花在聖塔菲的時間會更多。
但是，賀南是個樂天派。他一直都能做自己想做的事情，也一直訝異於自己的幸運，因此他有一種快樂的人特有的真誠幽默感。見到他的人幾乎不可能不喜歡他。
亞瑟就是其中之一。當天下午，當賀南的演講結束後，他就迫不及待的走上前去自我介紹。隨後幾天，兩人立刻變成好友。賀南發現亞瑟很令人愉快。很少人能夠這麼快的吸收適應的觀念，然後把它完整的融入自己的觀念中。亞瑟對整個想法都很感興趣，很快就抓住要領。
同時，亞瑟也發現賀南是他在聖塔菲認識的人之中，最複雜而迷人的知識分子。正因為賀南的緣故，經濟會議剩下的幾天議程，他都在極度缺乏睡眠的情況下度過。在許多深夜裏，他和賀南圍坐在廚房的餐桌，喝著啤酒，討論科學的奧祕。
不戰而勝的棋局
他特別記得其中的一次談話。賀南來參加這次會議的原因是，他渴望了解經濟學有那些重要議題。（賀南曾跟他說：如果你要作跨學門的研究，進入別人的領域，那麼至少你應該很認真的看待他們的問題。他們花了很多時間來研究。）當天晚上，當他們圍坐餐桌旁，賀南單刀直入的問他：亞瑟，經濟學真正的問題是什麼？
亞瑟不加思索就回答：像西洋棋一樣。
西洋棋？賀南摸不著頭緒。
亞瑟喝一口啤酒，找尋適當的字眼來解釋，其實，他自己也不完全明白。經濟學家老是把系統看得封閉而單純：系統很快就會穩定下來，頂多出現兩、三種行為模式，然後，就不再發生什麼事。他們假設經濟的作用體都絕頂聰明，在任何情況中，都能立即察覺最有利的行動是什麼。想想看，如果從西洋棋的角度來看，這代表什麼意義？在博弈遊戲的數學理論中，有個定理告訴你任何有限的、雙人的、零和的遊戲，例如西洋棋，都會有一個最理想的解答。也就是說，有一種選擇棋步的方式能讓黑白棋雙方都有最好的表現。
當然，實際上沒有人知道這個解答是什麼，以及要如何找出這個解答。但是經濟學家所談論的理想經濟作用體卻能立刻找到解答。遊戲一開始，在棋盤上兩軍對陣，兩個作用體就能在腦中列出所有的可能性，他們能倒推出所有可能逼迫對方的棋步。然後反覆推敲，直到已經考慮過所有可能的棋步，而且發現最理想的第一步棋為止。如此一來，根本不需要真的下棋，無論誰搶得理論的先機，就可以立刻宣告勝利，因為他知道他一定可以贏，而對方也會立刻認輸，因為知道他一定會輸。
賀南，真會有人這樣下棋嗎？亞瑟問。
賀南笑了，他完全了解這有多荒謬。早在一九四○年電腦才剛發明的時候，研究人員已想過要設計一個可以下西洋棋的聰明程式。現代資訊理論之父、貝爾實驗室的夏濃（Claude Shannon）估計，西洋棋中所有可能棋步的總數是十的一二○次方，這個數字大得無法比喻，在我們可觀測到的宇宙中所有的粒子數目也沒那麼大。沒有一種電腦有辦法檢查所有的可能性，當然更沒有一個人做得到。我們人類棋手必須服膺實際經驗的法則，來決定在某種狀況下，採取那種策略最好。即使最超凡入聖的棋手，下棋時也得步步為營，就好像他們要下去很深、很深的洞穴，而只有手上的燈籠微光可以引路。當然，棋手會日益進步。賀南自己也下西洋棋，他曉得一九二○年代的偉大棋手決不願冒險對抗目前的棋聖，例如卡斯帕洛夫（Gary Kasparov）。但即使如此，在無垠的未知領域中，他們只不過是前進了幾碼而已。這是為什麼賀南叫西洋棋為開放的系統：它有無限的可能性。
亞瑟說，沒錯。人類真正能觀察到、進而研究的形態，比起最理想的狀態，還有一段距離。除非你假設你的作用體比一般經濟學家都聰明。他說：但是，這就是我們解決經濟問題的方式。美日貿易問題至少和西洋棋局一樣複雜，然而經濟學家著手解決問題的開場白是：假設這是個理性的遊戲。
所以，他告訴賀南，簡單的說，這就是經濟的問題。我們要如何把探究無限可能性的不夠聰明的作用體變成科學？
啊哈！賀南說，每當他看到一線曙光時，他就會這麼說。西洋棋！這個比喻他懂。
可能性的無垠穹蒼
賀南喜歡玩遊戲，各式各樣的遊戲。他在安娜堡每個月都去打撲克牌，三十年如一日。他最早的記憶之一，就是在祖父的屋子裏，看著大人玩紙牌戲，恨不得自己也已經大得可以上桌玩牌。一年級的時候，媽媽就教他下棋，她同時也是橋牌高手。賀南的家人全都熱中於駕船，母子倆經常在賽船會中競技。賀南的父親則是一流的體操家，同時酷愛戶外活動。他們全家人總是不斷的變換某種遊戲：橋牌、高爾夫、槌球、西洋棋、圍棋、西洋跳棋，只要你說得出名字的玩意，他們都會玩。
但是，很久以前對賀南而言，這些遊戲就已經不只是遊戲而已。他開始注意到有些遊戲有一種特殊的魔力，能超越輸贏的問題。中學一年級的時候（大約是一九四二或四三年，當賀南一家還住在俄亥俄州的時候），他和幾個死黨經常在朋友家的地下室發明新的遊戲。從報紙每天的頭條新聞得到靈感，他們的傑作是占去地下室大半個空間的戰爭遊戲。他們設計的遊戲有坦克和大砲，還有砲彈發射表和射程表，他們甚至還發明了一些方法把遊戲圖掩蓋住，來模擬煙幕。遊戲變得很複雜，賀南說：我還記得用爸爸辦公室的油印機來印很多戰爭遊戲圖。（賀南的父親開了好幾家大豆加工廠，一直生意興隆。）
賀南說：我們三個人都很喜歡下西洋棋。西洋棋是一種規則簡單的遊戲，但是令人驚訝的是，絕不會有兩個完全相同的棋局，因為其中有無限的可能性。所以我們嘗試發明有相同特性的遊戲。
他笑著說，而且從此，不管採用的是哪一種方式，他都不斷發明遊戲。我喜歡看著情況不斷演變，然後我說：嘿，那真的是從這些假設演變出來的嗎？因為如果我的設計沒錯，如果支配整個情勢發展的是遊戲主題的潛在規則逐漸演化的結果，而不是由我一手控制，那麼結局將會令我很驚訝。而如果我一點也不感到驚訝，那麼我就不太開心，因為我知道這表示一切都照我最初的設定發展。
當然，這玩意，現在我們稱為突現。但是，早在賀南聽到這個名詞之前，他對突現現象的興趣，已經引發他對科學和數學一輩子的熱愛，再多的科學知識都不能令他滿足。他還記得求學的時候，我到圖書館去，只要是關於科學和技術的書籍都借回家。中學二年級以前，我已經決定要成為物理學家。最吸引他的不是科學能讓你把宇宙萬事萬物都簡化成幾個簡單的法則，而是科學能告訴你：幾個簡單法則如何產生極其豐富的行為。賀南說：我真是樂在其中。科學和數學從一方面來看，是化約論的極致，但是如果你從整體來看，其中蘊含無限出人意料之外的可能性。科學一方面讓宇宙可以為人所理解，另一方面卻讓宇宙永遠是個不解之謎。
參與旋風計畫
一九四六年秋天，賀南進入麻省理工學院讀大學，他很快就在電腦上發現了同樣令人驚訝的特質。我不知道為什麼，不過我很早就對思考過程著迷，還有你居然可以把一點點資料餵進電腦中，然後叫他做一堆事情。就我看來，似乎你放進去的東西少的不得了，得到的東西卻多的不得了。
不幸的是，起初賀南能學到的電腦知識，除了電機課上一些零星的二手資訊外，幾乎乏善可陳。當時電子式的電腦還很新奇，大部分資料都列入保密文件，當然更沒有電腦課可修。但是有一天，當賀南又像平常一樣，在圖書館博覽群籍的時候，他看到一批用簡單的論文封面套住的活頁演講筆記，當他翻閱時，他發現裏面詳細記載著一九四六年在賓州大學電機系所舉辦的學術研討會的討論內容。戰時為了計算大砲的射程表，賓州大學發展出美國第一部數位化電腦︱ENIAC。這些筆記很有名。這是第一次在演講中詳細討論數位化運算，他們從我們現在稱之為電腦架構的觀念一直談到軟體。其中，演講還提到了像資訊、資訊處理等嶄新的觀念，並且解釋了一種嶄新的數學藝術：程式設計。賀南立刻自己買了一份演講記錄，從頭到尾讀了好幾遍。
一九四九年秋天，當賀南開始讀大四、正在尋找畢業論文題目的時候，他發現了旋風計畫（Whirlwind Project）。那是麻省理工學院的研究計畫，想要製造出一部速度快得能追蹤空中交通的即時（real︱time）電腦。海軍每年補助這個計畫一百萬美元，這在當時是令人咋舌的數目。旋風計畫雇用了七十個左右的工程師和技師，是當時規模最大、也是最創新的電腦計畫。旋風也是第一個使用磁心記憶體及交互式顯示螢幕的電腦，因此而帶動了電腦網路和多重處理技術（multiprocessing，一次執行不止一個程式）的涎生。由於這是第一個即時電腦，它同時也為未來在飛航管制、工業流程控制、及銀行業務的電腦應用鋪路。
但是當賀南第一次聽到旋風計畫的時候，這個計畫還只是個實驗。我知道有個旋風計畫。計畫還沒有完成，電腦還在製造中，但是已經可以用了。他不知怎的，就是覺得必須參與其事，於是他開始到處叩門。他在電機系找到了一個叫柯帕爾（Zednek Kopal）的捷克天文學家，過去曾經教過他數值分析（numerical analysis）。我說服他主持我的論文委員會，又說服物理系讓電機系的老師主持我的論文委員會，然後，我再去說服旋風計畫的人讓我參閱他們的操作手冊；操作手冊可是機密文件。
那段時間可能是我在麻省理工學院最快樂的一段時光，他說。柯帕爾建議他的論文題材是：為旋風電腦寫一個能解拉普拉斯方程式（Laplace's equation）的程式。拉普拉斯方程式可描繪許多種不同的物理現象，包括圍繞任何帶電物體的電場分布及緊繃的鼓皮振動。賀南立刻著手進行。
這絕不是麻省理工學院最容易的畢業論文。當時，還沒有人聽說過像C語言、帕斯凱爾（Pascal）、或福傳之類的程式設計語言，事實上，程式設計語言的概念直到一九五○年才發明。因此，賀南必須以機械語言來寫他的程式，也就是得把電腦指令編碼成數字，而且還不是一般的十進位數字，而是十六進位。他花在論文上的時間比他原本估計的要長，最後不得不要求學校寬限兩倍的時間來完成。
然而，他樂在其中。我喜歡這過程中的邏輯本質，他回憶，程式設計和數學的特色一樣，你走了這一步，這一步又會帶你到下一步。除此之外，為旋風計畫撰寫程式讓他發現電腦並不只是快速的計算機而已，在隱祕的一欄欄數字中，他可以擬想振動的鼓面、旋繞的電場，或任何他想要的東西。在流動的位元（bit）中，他能創造一個想像的宇宙，所需要的只是把適當的法則編成電腦密碼，然後其他的一切就自然開展。
IBM的大賭注
由於賀南的論文從一開始就設定為紙上的練習，他從來沒有機會真的在旋風電腦上執行他的程式。但是這篇論文卻為他帶來另一番豐碩的收穫，使他成為當時全美少數幾個懂得程式設計的人之一。結果，一九五○年他一畢業，就立刻為IBM所網羅。
時機真是再好不過了。當時，IBM正在紐約州波基浦夕（Poughkeepsie）的工廠設計第一部商業電腦國防計算機，後來重新命名為IBM七○一。當時對IBM而言，電腦代表了一個勝負參半的大賭注，許多保守派認為發展電腦只是浪費錢，還不如投資改良打孔機。事實上，一九五○年一整年，IBM產品企畫部都堅持全美國的電腦需求不會超過十八部。IBM之所以繼續發展國防計算機，只不過是因為一個叫小華生（Tom Junior）的新貴對這計畫情有獨鍾，而小華生是IBM年邁的總裁華生（Thomas B. Watson, Sr）的兒子和當然繼承人。
但是，二十一歲的賀南對這些內幕一無所知，他只知道自己到了奇妙仙境。我在這裏，還這麼年輕，卻得到最重要的位置。我屬於曉得七○一電腦在做什麼的極少數人。IBM的計畫召集人把賀南分配到七人的邏輯計畫小組，負責設計這部新機器的指令組及一般性組織。幸運之神又再次眷顧了，賀南正好可以利用這理想的機會來練習程式設計技巧。第一階段完成之後，我們有了電腦原型，再來就必須用各種方法來測試原型。所以工程師在白天工作，把機器拆開，然後盡可能在晚上重組回去。我們幾個人則在晚上十一點鐘開始，徹夜跑我們的程式，看看到底行不行得通。
就某種程度而言，確實行得通。當然，以今天的標準看來，七○一電腦彷彿石器時代的遺物，它的控制板擠滿各式轉盤和開關，沒有電腦螢幕顯示器，輸入和輸出的信息都得經由IBM的標準打孔機。這部機器號稱有四千位元組（byte）的記憶容量（今天在市面上銷售的電腦記憶容量是它的幾千倍），只要三十微秒就可以算出兩個數字相乘的結果。這部機器也有很多毛病，平均最多三十分鐘便發生失誤，所以我們每個程式都要跑兩遍。賀南說。更麻煩的是，七○一電腦儲存資料的方式是在一個特別的陰極射線管的表面上產生光點，所以賀南和其他程式設計師必須調整演算邏輯，以避免經常把資料寫在記憶體的同一個位置，否則會增加該部分陰極射線管的表面電荷，而影響了周遭的數據。
賀南大笑：我們居然能讓這部機器動起來，真是令人驚訝。事實上，他覺得瑕不掩瑜。對我們而言，這部機器已經像個巨人，我們覺得能有時間在一部快速機器上試驗我們的東西，真是太棒了。
教電腦下棋
有太多東西可以實驗了。在電腦剛出現的那段古早、令人興奮的日子裏，關於資訊、調控學、自動機等新觀念風起雲湧，誰知道何處是極限呢？幾乎每一個新嘗試都可能打開一片新的天地。除此之外，對於像賀南之類偏愛哲學思考的開路先鋒而言，這種擠滿線路和真空管的龐大、笨拙的資料庫，已為思考思考開闢了新蹊徑。電腦或許不像星期天的報紙副刊所形容的巨腦般利害，事實上，從電腦的結構和運作細節來看，它一點都不像腦子。但是，如果更深一層來看，可能電腦與人腦一樣，都是資訊處理的裝置。如此，我們也可以從資訊處理的形式來理解思考。
當然，當時沒有人懂得稱這類的想法為人工智慧或認知科學。儘管如此，為電腦設計程式這種前所未有的嘗試，逼迫人們更仔細的思考：所謂解決問題到底代表什麼意思。電腦基本上像個外星人，你必須教會它每一件事：什麼是資料？資料如何轉換？從這裏到那裏需要哪些步驟？這些問題很快就指向哲學家困惑了幾百年的問題：什麼是知識？如何從感官印象中獲得知識？知識在心智中如何表示？如何借助經驗而修正原有的知識？如何將知識運用於推理？如何將決定轉化為行動？
答案在當時還混沌不明。事實上，現在也還混沌不明，但是問題卻問得比過去清楚而精確。而突然成為全國電腦天才重鎮的IBM電腦開發小組，正首當其衝。賀南很喜歡回憶當時有一票人每隔兩個星期左右就會在晚上聚會，討論撲克牌遊戲和圍棋的問題。參加的人當中有一個叫麥卡西（John McCarthy）的暑期實習生，是加州理工學院的研究生，後來成為人工智慧的創始大師之一。
另一位是薩穆爾（Arthur Samuel），一個聲音柔和、四十開外的電機工程師。IBM特地從伊利諾大學延攬他來協助研究如何製造可靠的真空管。薩穆爾經常與賀南相伴，度過跑程式的漫漫長夜。老實說，薩穆爾早就對真空管興趣缺缺，他過去五年來一直在寫一個下西洋跳棋的電腦程式不只會下棋，而且累積經驗以後，會學著下得愈來愈好。現在看來，薩穆爾的下棋程式是人工智慧研究的里程碑之一，當他最後在一九六七年把程式修正完成時，他的下棋軟體棋藝已直追世界冠軍。但是，即使在七○一電腦的年代，這程式也已經很不錯了。賀南印象深刻，特別是這電腦棋手居然有能力因應對手的策略而調整戰術。事實上，這個程式設計了一個對手的模型，然後用這個模型來預測最好的因應策略。儘管賀南當時沒有辦法說得清楚，但是他覺得電腦棋手的這部分功能，捕捉到了學習及適應的根本原理。
腦子如何學習
後來，其他事情占據了賀南的腦子，他把這些想法暫時拋諸腦後。當時，他正為自己的研究計畫模擬腦部的內在運作，忙得不可開交。這個計畫起源於一九五二年春天，麻省理工學院心理系教授里克萊德（J. C. R. Licklider）造訪波基浦夕實驗室，同時答應作一次演講，講題是當時心理學領域最熱門的話題：蒙特婁麥吉爾大學（McGill University）神經生理學家希伯（Donald O. Hebb）最新的學習及記憶理論。
里克萊德解釋：問題是這樣的，透過顯微鏡，腦袋中大部分呈現混沌一片的景象，每一個神經細胞都自由伸展出數以千計的軸突和樹突，與其他神經細胞數以千計的軸突和樹突雜亂相連。然而，這緊密相連的神經網路顯然不是隨意組成，健康的腦子能前後一致的產生感覺、思想及行動，絕非偶然。而且，腦子顯然不是靜止的，它能藉由經驗來改正自己的行為、想辦法適應不同狀況，它還會學習。問題是，腦子究竟如何學習？
一九四九年，希伯已在他的名著行為組織（The Organization of Behavior）中，提出答案。他的基本想法是，假設腦子經常在突觸（synapse）上作些細微的改變。突觸是軸突和樹突的連接點，神經衝動經由突觸，從一個神經細胞傳遞到另一個神經細胞。希伯的假設很大膽，因為當時他還沒有確實的證據。但是，他辯稱，這些突觸的變化正是所有學習與記憶的基礎。例如，從眼睛而來的感官衝動會強化沿路所有的突觸，因此在神經網路上留下痕跡。當衝動來自耳朵或腦部其他的精神活動時，也會發生同樣的情況。希伯說，結果，原本隨機啟動的網路會迅速自我組織，經驗會經由正回饋而不斷累積；也就是說，強壯、經常被使用的突觸會愈長愈壯，而微弱、很少被使用的突觸會日益萎縮。常用的突觸強大到某個程度，記憶就被鎖定。這些記憶會轉而在腦中廣泛分布，每個記憶都對應於一個複雜的突觸形態，其中包含了數以千計或甚至百萬計的神經元。希伯是最早描述這種記憶形態、並稱之為結合論（connectionism）的少數人之一。
但是，還不止於此。里克萊德繼續解釋希伯的第二個假設：選擇性的強化突觸，會使腦子自我組織成一個個細胞集合也就是許多組神經元。流動的神經衝動會在其中自我強化，並繼續流動。希伯認為這些細胞集合是腦部的資訊基本單位，每一個細胞集合都對應於一個聲調、一線光、或一部分的想法。但是，這些集合在生理上並未彼此分開，而是重疊，每一個神經元都同時屬於好幾個細胞集合。因此，刺激一個細胞集合起反應，不可避免的會引發另外一個集合的反應，於是這些基本單位很快就會自我組織成較大的概念和複雜的行為。簡而言之，細胞集合是思想的基本量子（quantum）或基本單位。
人類第一次電腦模擬
賀南坐在觀眾席上，聽得目瞪口呆。有別於哈佛的史金納（B. F. Skinner）等行為學家極力推動的呆板的刺激／反應觀點，希伯討論的是心靈內部的活動。結合論的豐富性和永恆的驚奇使賀南激動不已，他迫不及待要作一些相關的研究。希伯的理論已打開了一扇探索思想本質的窗，他希望好好探究這個問題，他想看看細胞集合如何從一片混沌中自我組織和成長茁壯，他想看看細胞集合彼此互動的情形，看看它們如何融合經驗，而逐漸演化；他也想看看心靈本身的突現，更想看看所有這一切在沒有外界引導之下如何自然發生。
里克萊德的演講一結束，賀南就去找他在七○一電腦小組的主管羅徹斯特（Nathaniel Rochester），他說：好了，我們已經有電腦，我們來寫個神經網路模擬程式吧！
於是，他們就這麼做了。他寫了一個程式，我寫了另一個程式，兩個程式形式不太一樣，我們把程式叫做：觀念啟迪者，我們不是自大！
事實上，即使在四十年後的今天，當神經網路模擬程式早就變成人工智慧研究的標準工具時，當年的IBM觀念啟迪者仍然成就非凡。基本的概念在今日看起來仍很熟悉。在程式中，賀南和羅徹斯特把人工神經模擬為節點（node），也就是能夠對自己內部狀態有一些記憶的小電腦。他們把人工的突觸模擬為各種節點之間的抽象連結點，每一個連結點對應於突觸的強度，都會有一些重量。當網路獲得經驗時，他們也調整強度，以模擬希伯的學習法則。賀南、羅徹斯特和合作的研究人員，納入了許多今天大多數的神經網路模擬所沒有納入的神經生理學細節，包括像每一個模擬的神經元多快起反應，以及如果太常反應，多久會疲乏。
自然，他們在過程中碰到很多困難，不只是因為他們的程式是有史以來第一次模擬神經網路，也是人類第一次用電腦來模擬真實世界，而不只是計算數字或分析數據。賀南非常讚揚IBM的耐心，他和他的同事在電腦上花了數不清的小時來模擬網路，甚至還動用公款，出差到蒙特婁問希伯本人的意見。
但是最後，他們模擬成功了。賀南談起來，仍然難掩興奮之情。你可以用相同的神經元底質（substrate）開始，然後看著細胞集合形成，發生很多突現的現象。賀南、羅徹斯特和他們的同事在完成這個研究幾年後，在一九五六年發表了他們的研究結果，這是賀南第一篇在學術期刊上發表的論文。
非比尋常的哲學家
現在看來，希伯的理論和賀南自己的網路模擬可能對他未來三十年的思想形成，有舉足輕重的影響。但是，當時最直接的結果卻是驅使他離開IBM。
問題出在電腦模擬有一些必然的限制，而在七○一電腦上作模擬，限制尤其多。真正的神經網路上的細胞集合，有一萬個神經元分布在腦部的大部分區域，每一個神經元又有一萬個左右的突觸。但是，賀南等人在七○一電腦上所能模擬的網路只有一千個神經元，每個神經元只有十六個連結點，無論他們用各種程式設計技巧，想辦法加快速度，都只能得到這麼多。賀南說：我愈作實驗，愈覺得我們能測試的與我真正想看到的，差距實在太大了。
替代方案是以數學方法來分析網路。但是，結果也很困難。他嘗試的每個方法都踢到鐵板，成熟的希伯網路不是靠他在麻省理工學院學到的數學就可以應付的，儘管他比其他物理系學生都多修了很多數學課。對我而言，更精通數學似乎是更深入了解神經網路的關鍵。他說。所以，一九五二年秋天，帶著IBM的祝福和一紙每個月繼續為IBM作一百個小時顧問工作的合約，賀南來到安娜堡的密西根大學攻讀數學博士。
幸運又降臨他身上了。當然，密西根無論如何都是個不壞的選擇，不只是因為密大數學系在全美排名首屈一指，而且還有個美式足球隊對賀南而言，這是個重要的考慮因素。
但是，真正的幸運是，賀南在密西根大學碰到了勃克斯（Arthur Burks），一位非比尋常的哲學家。勃克斯專攻皮爾斯（Charles Peirce）的實用主義哲學，他在一九四一年拿到博士學位的時候，因為戰時的情況，不可能找到哲學教職，所以第二年，他在賓州大學的摩爾學院修了為期十週的電機課程，成為戰時工程師。結果，這是個愉快的選擇。一九四三年，他被摩爾學院網羅，加入最高機密的ENIAC電腦研究計畫。他在摩爾學院認識了馮諾曼，馮諾曼當時經常從普林斯頓高等研究院跑來指導這個計畫。在馮諾曼指導下，勃克斯也參與設計ENIAC電腦的第二代EDVAC。EDVAC是第一個能以程式的形式將指令電子化儲存的電腦。一九四六年，馮諾曼、勃克斯和數學家高士譚（Herman Goldstine）共同發表的論文電子計算工具之邏輯設計的初步討論（Preliminary Discussion of the Logical Design of an Electronic Computing Instrument），被視為現代電腦科學的基石之一。在這篇論文中，他們三位以精確的邏輯形式為程式的概念下定義，並且顯示藉著從電腦的記憶單位中取得指令、在中央處理單位中執行指令、然後再回頭把結果儲存在記憶體中這幾個步驟不斷循環之下，一般的電腦如何執行程式。這個馮諾曼架構一直到今天幾乎還是所有電腦的基礎。
當賀南於一九五○年代中期在密西根大學碰到勃克斯的時候，勃克斯的樣子瘦削而優雅，很像他一度嚮往的傳教士。勃克斯也是個熱心的朋友和絕佳的指導老師，他很快把賀南引進他的電腦邏輯小組。這個小組的理論學家專門研究電腦語言，並求證關於轉換網路的定理，而且試圖從最嚴謹而根本的層次來了解這個新機器。
勃克斯也邀請賀南參與一項由他協助籌畫的博士班研究計畫，主要是廣泛的探討電腦和資訊處理的隱含意義即所謂的通訊科學（communication science），後來的正式名稱叫電腦通訊科學。但是當時，勃克斯覺得他只是繼續馮諾曼未完成的志業，馮諾曼在一九五四年因癌症去世。馮諾曼認為電腦有兩種應用方式，一種是作為一般電腦，另一種就是作為自動機的一般理論基礎。勃克斯認為像這樣的研究計畫很適合那些不按牌理出牌的學生，賀南顯然就是其中之一。
賀南欣然同意。他們的想法是一方面開一些很困難的生物學、語言學、心理學課程，同時也提供很多標準課程，例如資訊理論。他們找不同領域的教授來講課，因此學生能夠把這些學問和電腦模型連起來。修過課的學生對於這些領域的基本理論會有深入的了解，例如主要的問題是什麼？為什麼這個問題這麼困難？電腦可以幫什麼忙？而不會只學到皮毛而已。賀南說。
玻璃珠遊戲
賀南樂於加入的其中一個原因是，他對數學已經完全失去興趣了。密西根大學數學系就像二次大戰後大多數的數學系一樣，服膺法國布巴奇學派（Bourbaki School）的理想，要求數學研究必須具備非人性的純淨和抽象。根據布巴奇的標準，甚至以世俗的繪圖方式說明定理背後的概念，都被視為魯鈍。他們的想法是要證明數學不需要任何詮釋，賀南說。但這不是他學數學的目的，他是想藉著數學來了解這個世界。
所以，當勃克斯建議賀南轉到通訊科學研究計畫時，他毫不遲疑就答應了，放棄了幾乎完成的數學論文，重新開始。也就是說，我的論文會更接近我想作的研究，他說，也就是神經網路的研究。（他後來決定的論文題目邏輯網路循環（Cycles in Logical Nets）是關於網路開關情形的分析。他在這篇論文中證明的許多定理，居然正是年輕的醫科學生考夫曼四年後在柏克萊奮力想證明的定理。）當賀南在一九五九年拿到博士學位時，他是通訊科學計畫第一個出爐的博士。
但是，這些都沒有使賀南忽略了當初他到密西根的目的。事實上，勃克斯的通訊科學計畫正是這類議題可以蓬勃發展的環境，包括：突現是什麼？思考是什麼？思考如何產生？有些什麼法則？系統適應的真正意義是什麼？賀南記下關於這些問題的一些想法，然後有系統的存檔在貼著Glasperlenspiel一號檔案、Glasperlenspiel二號檔案的檔案夾中。
Glas什麼？他笑著說：Das Glasperlenspiel!這是赫曼赫塞（Herman Hesse）的最後一部小說，於一九四三年流亡於瑞士時出版。賀南有一天在室友從圖書館借回來的書堆中發現了這本書，德文原文的意思是玻璃珠遊戲，英文版書名則稱遊戲高手（Master of the Game）。小說的場景是未來的世界，描繪一種原本是音樂家玩的遊戲：先在一種特別的玻璃珠算盤上設定主旋律，然後藉著撥上撥下玻璃珠而把各種對位旋律和變奏編織進去，經過一段時間，遊戲就會演變為極其複雜的樂器，並由一群有力的教士、知識分子所控制。最厲害的是你可以任選不同的主旋律組合，一點占星學、一點中國歷史、一點數學，然後想辦法把它們發展成好像音樂的主旋律。
當然，赫塞並沒有明講確實是怎麼做的，但是賀南並不在乎，玻璃珠遊戲比他過去所知道的任何事物都能捕捉到他所要追求的東西，這也正是西洋棋、科學、電腦或腦子之所以令他目眩神迷的地方。這個遊戲代表了他這一輩子都在追求的奧祕：我希望能夠從萬物中擷取不同的主題，然後看看把它們整合在一起時，會發生什麼事。
以數學掀起遺傳革命
另外有一本書也給了賀南很多啟發。有一天他在數學系圖書館瀏覽書籍時發現了費雪（R. A. Fisher, 1890︱1962）在一九二九年出版的遺傳學巨著天擇的遺傳理論（The Genetical Theory of Natural Selection）.
起先，賀南很著迷。從中學時代起，我就很喜歡閱讀關於遺傳和演化的書，他說。每一代生物都會再重新組合遺傳自父母的基因，你可以計算像藍眼睛或黑頭髮這些特質，會在後代出現多少次，這些想法都令他大感興趣。我一直想：哇！真是巧妙！讀這本書使我第一次了解在遺傳學領域除了代數之外，還可以運用很多其他的數學技巧。的確，費雪就用了很多複雜的數學概念，像微分、積分及或然率理論等。他的書以嚴謹的數學分析說明天擇如何改變基因分布，也因此為關於演化變遷的新達爾文理論奠定基礎。二十五年以後，這仍然是當代最先進的理論。
所以，賀南狼吞虎嚥的讀完這本書。我真是大開眼界，原來可以把我在數學課上學到的微積分、微分方程、以及其他的數學方法用來掀起一場遺傳學革命。一旦看到這點，我知道我無法放手了，一定要做一點事情。所以，我腦中一直盤旋著這些想法，不時把一些想法記下來。然而，儘管賀南很讚賞費雪的數學技巧，費雪應用數學的方式卻有些叫他困惑。事實上，他愈深入思索，就愈感困惑。
舉例來說吧，費雪對天擇的整個分析都著眼於一次分析一個基因的演化，彷彿有機體中的基因完全各自獨立，互不相干。事實上，在費雪的分析中，基因的作用完全是線性的。賀南說：我知道這絕對錯誤。除非有數十個或上百個形成眼睛結構的基因共同合作，單獨一個綠眼睛的基因絕對起不了什麼作用。就賀南所了解，每一個基因都必須在團隊中運作，任何理論如果沒有把這點考慮在內，都錯失了整個故事的關鍵。這也正是希伯在精神領域的研究中所一再強調的，希伯的細胞集合和基因有一點相像，細胞集合是思考的基本單位，但是如果單獨存在，細胞集合幾乎沒有任何價值。無論是要傳達一個音調、一束光、或命令肌肉抽動，唯一的方法是細胞集合彼此連結成更大的概念和更複雜的行為。
此外，還有一件事令賀南不解。費雪一直談到演化會達到穩定的均衡每個特定的物種都會發展為最理想的大小、牙齒銳利得恰如其分，總而言之，即達到能生存和繁殖的最佳狀態。費雲的論點和經濟學家對經濟均衡的定義如出一轍：一旦物種達到最佳狀態，任何的突變都會降低它自己的適應性，因此，天擇無法再形成改變的壓力。費雪的論點大半在強調：好了，因為以下的流程，這個系統會達到哈地︱威恩伯格的均衡（Hardy︱Weinberg equilibrium）但是，這聽起來這不像我心目中的演化論。
他回過頭去，重新閱讀達爾文和希伯的理論。不，費雪的均衡觀念一點也不像演化論，費雪的論調似乎是要達到某種純淨而永恆的完美。但是，在達爾文的理論中，隨著時間演進，物種的發展會愈來愈寬廣，愈來愈多樣，費雪的數學分析沒有提到這點。希伯探討的是學習，而不是演化，但是依稀可以看到相同的脈絡：當心靈從外界累積愈來愈多的經驗時，它會變得更豐富、更靈巧、更令人訝異。
演化是無盡的旅程
對賀南而言，演化和學習就像遊戲一樣，兩者都有一個和環境對抗的作用體，試圖贏得繼續往下發展所需要的一切。就演化而言，報酬就是生存，以及能把基因遺傳給下一代的機會；就學習而言，報酬是像食物、愉悅的感覺、情緒的滿足等等。在這兩種情況下，報酬正為作用體提供了適當的回饋，讓它們能改進自我表現。如果作用體想要具備適應能力，就必須維持能得到好報酬的策略，而放棄無效的策略。
賀南禁不住想到薩穆爾的西洋跳棋遊戲軟體，這個軟體正充分利用了這種回饋作用：當電腦棋手累積經驗，而且對對手了解更多之後，它會不斷更新戰術。現在，賀南才了解薩穆爾把重心放在遊戲是多麼有先見之明，這種遊戲的比喻似乎適用於任何的適應性系統。在經濟中，報酬就是金錢；在政治中，報酬就是選票。在某種層次上，所有的適應性系統基本上都一樣，也就是說，它們基本上都像西洋棋或西洋跳棋一樣，可能性的空間都大到超乎想像之外。作用體可以藉著學習，把遊戲玩得愈來愈好，但是如果想要找到最理想的狀態，找到遊戲的穩定平衡點，就會和我們下西洋棋一樣，只能在無限大的可能性中大海撈針。
難怪對他而言，均衡的概念和演化格格不入，甚至不像他十四歲時在地下室玩的戰爭遊戲。均衡暗指終點，但是對賀南而言，演化的本質在於旅程，在於無盡的驚奇。我愈來愈清楚我想要了解及我所好奇的是什麼東西，均衡絕對不是其中的重要部分。
在撰寫博士論文期間，賀南只能把這些想法暫擱一旁，但是他一拿到博士學位，就立定志向要把他的想法轉化成完整而嚴謹的適應性理論，而當時勃克斯已經邀請他繼續留在電腦邏輯小組作博士後研究。我相信如果我把遺傳適應看成長期的適應過程，把神經系統看成短期的適應過程，那麼兩者的一般性理論架構應該相同。為了要釐清自己腦中的想法，他甚至在一九六一年七月發表了一份四十八頁的技術報告，題目是適應性系統的非正式邏輯理論。
他也注意到有些同事頻頻皺眉。他們倒不見得有敵意，只是有些人認為他這套適應性理論的玩意兒聽起來荒誕不經，賀南為什麼不花時間作一些比較有收穫的研究呢？
問題是，這真的只是胡思亂想嗎？賀南說。不過他欣然承認，如果換做是他，他也會懷疑。我作的研究沒有辦法照一般人熟悉的領域來歸類。它既不完全是關於硬體，也不純然是軟體的研究，在當時，這當然也還不能叫人工智慧，所以你沒有辦法以任何的標準尺度來下判斷。
找尋一組最理想的基因
他最不需要多費唇舌說服的人就是勃克斯。勃克斯說：我支持賀南。有一派邏輯學家很不以為然，覺得賀南的研究不是電腦邏輯小組該作的研究，他們的想法比較傳統。但是我告訴他們，這正是我們需要的研究，就爭取經費補助的角度而言，這研究的重要性和他們的研究不相上下。身為這個研究計畫的創辦人，勃克斯的話深具分量。抱著懷疑態度的人逐漸離開了這個研究小組。一九六四年，在勃克斯大力支持下，賀南得到了終身職。那幾年多虧了勃克斯當我的擋箭牌。賀南說。
的確，勃克斯的支持使賀南能特別著力於適應性理論的研究。一九六二年，他拋開了其他研究計畫，全力研究適應性理論。他特別決定要以不止一個基因為基礎，來探討天擇的問題。他這麼做不僅僅因為費雪在著作中假設基因互不相關，是困擾他多時的問題，同時，以多數基因為分析基礎也是避免均衡問題的關鍵。
賀南說，平心而論，當你討論互不相關的基因時，均衡說的確很有道理。例如，假定有一個物種有一千個基因，差不多就會像海藻一樣複雜。再假定，為了單純化，每一個基因只有兩種特性綠色相對於褐色，皺摺的葉片相對於平滑的葉片等等。天擇的過程要經過多少次試驗才能找到一組最理想的基因，能賦予海藻最佳的適應能力？
如果你假定所有的基因真的各自獨立，每個基因你只需要試驗兩次就能發現哪一種特性比較好，然後一千個基因中的每一個基因你都要各試驗兩次，所以總共需要做二千次試驗，這並不算多。事實上，比較起來，這算是個小數目。因此，你可以預期這海藻很快就會達到最佳的適應能力，這時候，這個物種確實達到了演化的均衡狀態。
但是，現在當你假定海藻的一千個基因並非各自獨立時，看看會發生什麼事情。為了要確定真的找到最佳的適應能力，天擇過程必須檢查每個可能的基因組合，因為每一種組合都有不同的適應能力。當你檢查過所有組合時，數目不再是二乘以一○○○，而是二自乘一千次，也就是二的一千次方，或是十的三百次方，這數目大得連西洋棋的可能棋步都顯得微不足道。演化過程根本不可能試驗這麼多種可能性，而且不管電腦多發達，都辦不到！賀南說。這數字大得即使我們假設宇宙中的每個粒子都是一具超級電腦，從大霹靂之後就不斷在計算這些數字，所得到的解答離實際都還有一段距離。而且要記住，這還只是海藻而已，人類和其他哺乳類的基因差不多是海藻的一百倍，而大多數的基因都有不止兩種特性。
所以，這個系統又置身於可能性的無垠穹蒼，毫無找到一個最佳位置的希望。演化唯一能做的只是尋求改善，而不是尋求完美。但是，這正是他一直想解答的問題：如何做呢？要了解多基因的演化過程，顯然不只是把費雪的單基因方程式改為多基因方程式那麼簡單。賀南想了解的是，演化過程如何深入可能性的無垠穹蒼、發掘有用的基因組合，而不需要搜尋其中的每一寸空間？
世界為什麼如此架構？
事實上，主流的人工智慧學者早就很熟悉一種類似可能性一發不可收拾的現象。例如，在匹茲堡的卡內基技術學院（現在叫卡內基美崙大學），紐威爾（Allen Newell）和西蒙（Herbert Simon）從一九五○年代中期開始，就在進行一個畫時代的研究研究人類如何解決問題。他們要求實驗對象在絞盡腦汁玩拼圖和遊戲的時候，說出他們的想法。紐威爾和西蒙的結論是，問題解決是在有廣大可能性的問題空間中一步接著一步做心智搜尋。每一個步驟都由經驗法則所引導：如果情況是這樣，那麼該採取那個步驟。紐威爾和西蒙把理論架構為一般問題解答者（General Problem Solver）的程式，而且以這個程式來解原先的拼圖和遊戲，顯示他們的問題空間方式能充分複製人類的推理風格。他們的觀念已經成為人工智慧領域的金科玉律，而一般問題解答者也成為人工智慧發展史上最有影響力的電腦程式。
但是賀南仍然存疑。他倒不是認為紐威爾和西蒙關於問題空間和經驗法則的觀點錯誤，事實上，賀南拿到博士學位後不久，就建議邀請他們兩位到密西根大學來開人工智慧的課，從此他和紐威爾就成為好友和知識上的諍友。不，只不過是他們的觀點無法幫助他解決生物演化的問題。演化論的整個觀點中沒有經驗法則、沒有任何引導，一代接一代的物種是藉著突變和兩性基因的隨機組合，來探測可能性的廣大空間；簡單的說，它們靠的是嘗試和錯誤。而且，交替的世代並不是按部就班的探索著各種遺傳組合的可能性，而是各種嘗試齊頭並進，每一個個體都有一組稍微不同的基因，嘗試稍微不同的可能組合。
但是，儘管有這些差異，儘管演化花的時間比較長，演化過程所產生的創意和驚奇與人類的精神活動並無二致。對賀南而言，這意味適應性的真正大一統原理隱藏在更深的層次中，但是，到底在哪裏呢？
起初，他只是直覺的認為：某些基因組能一起運作得很好，並形成統一而相互強化的整體。例如一群能指揮細胞如何從葡萄糖分子汲取能量的基因，或是一群控制細胞分裂的基因，或是指導如何組成身體組織的基因群。這種情形很類似希伯關於腦部學習的理論：一組相互共鳴的細胞集合可能會形成像汽車的相關觀念，或是像舉起手臂的協調性動作。
但是賀南愈思考這個統一、相互強化的基因群的概念，就愈覺得其中奧妙無窮。類似的例子幾乎隨處可見，電腦程式中的副常式、官僚體系中的部門、西洋棋局戰略中的小戰術皆是。更重要的是，你可以在每一個組織層次有同樣的發現。如果某個群體有足夠的一致性和穩定性，那麼就通常成為更大群體的基本單位（building block）。細胞組成組織，組織組成器官，器官組成有機體，有機體組成生態系。賀南想，這正是突現的觀念：一個層次的基本單位組合後，形成更高層次的基本單位。這是世界的基本組織法則，幾乎每個複雜適應性系統都出現這種特性。
但是，為什麼呢？這種階層式、由基本單位層層上推的結構，簡直像空氣一樣平常而普遍，因此我們從來不會多加思索。但是，當你深入思考這個問題的時候，卻發現需要有個解釋：世界為什麼如此架構呢？
先分化，後征服
事實上，原因很多。電腦程式設計師都會把問題分成幾個副常式來處理，因為簡單的小問題要比繁雜的大問題容易解決，這正符合先分化、後征服的古老智慧。像鯨魚和紅木等巨大生物是由不計其數的小細胞所組成，正因為這些細胞比較早出現。當五億七千萬年前，巨大的動植物開始在地球出現的時候，要從已經存在的單細胞生物經由天擇過程而形成巨大生物，顯然要比從頭產生點點滴滴的原形質容易多了。通用汽車（General Motors）把公司分成不計其數的部門，是因為最高主管不想讓五十萬名員工都直接向他報告，否則他的時間根本不夠分配。事實上，就像西蒙在一九四○和五○年代對商業組織的系列研究中指出，設計精良的階層組織是既能完成工作、又不會讓一個人被會議和備忘錄所淹沒的最好方法。
然而賀南愈想愈覺得最重要的理由隱藏在更深的層次：階層式、由基本單位組成的結構能改變一個系統學習、演化和適應的能力。想想看包含像紅色、汽車和馬路等概念的認知基本單位吧！一旦像這樣的一組基本概念藉著經驗累積而精煉、修正錯誤，這組概念通常能調整並重組成許多新的概念，例如：路邊一輛紅色的汽車，這當然要比一切從頭開始有效率多了。
這個事實提示了一個適應的全新機制，適應性系統不是按部就班的在可能性的廣大空間中搜尋，而是重組基本單位，採取大躍進式的突破。
賀南最喜歡以警方繪相師來說明這個觀念。在過去尚未應用電腦的年代，警方如果需要根據目擊證人的描述來畫出嫌疑犯的相貌，他們的做法是，先把臉部分成十個基本單位：髮型、前額、眼睛、鼻子等，然後繪相師在許多紙片上描繪出各個部分的不同形狀，以供選擇，例如十種不同的鼻子、十種不同的髮型，所以總共有一百張紙片。有了這些基本形貌的紙片，繪相師會根據目擊者的描述，把適當的紙片拼湊在一起，很快就能畫出嫌疑犯的肖像。當然，繪相師不可能畫出所有可想像的容貌，但是這麼做雖不中亦不遠矣，因為藉著替換這一百張紙片，繪相師能畫出一百億張不同的臉孔，即使在廣大的可能性空間中，這都有相當的代表性。所以，如果我能找到發現基本單位的方法，這些組合都將為我所用，而不是變成我的阻礙。我能夠利用少數的基本單位，來描述許多複雜的事物。賀南說。
而這正是解開多基因謎團之鑰。演化的過程之所以會有割愛及嘗試錯誤，並非為了要創造出一個最佳物種，而是為了試煉出最佳的基本單位，以便組合出許許多多的優秀物種。目前的挑戰是要精確而嚴謹的顯示整個過程如何發生，而他決定第一步就是建立一個電腦模型，一個既能說明這個過程，又能幫助他釐清腦中種種想法的遺傳演算法（genetic algorithm）。
把電腦程式看成染色體
有一陣子，密西根大學的電腦圈子幾乎每個人都看過賀南捧著一堆電腦報表跑來跑去。
你看！他會說，急切的指著整頁滿滿的十六進位的雜亂符號。
喔！CCB1095E，很好啊，賀南。
不對！不對！你知道這是什麼意思嗎？
事實上，在一九六○年代，不懂的人還真不少。對賀南的研究存疑的同事至少說對了一件事：賀南最後提出的遺傳演算法真是古怪極了，這演算法不像真正的電腦程式，骨子裏反而更像電腦模擬的生態系統在其中所有的程式相互競爭、相互交配、繁殖下一代，總是朝著解決問題（由程式設計師所設定的問題）的方向演化。
一般的程式通常不是這樣寫的，所以要讓同事明白其中的道理，賀南往往以非常實際的名詞來解釋。他說：我們通常把電腦程式想成以福傳或里斯普（LISP）等特殊程式語言所撰寫的一連串指令，的確，程式設計的藝術就是要確定你寫的指令完全正確，而且完全依照正確的次序排列。如果你已經知道你想要電腦做什麼事，這顯然是最有效率的方法。
但是，假定你不知道你要電腦做什麼，例如，假定你想要找到某個複雜數學函數的最大值，這個函數可能代表利潤、工廠產出、或選票、或任何東西，這個世界有太多你想求取最大值的東西了。的確，程式設計師已經設計了很多複雜的演算法，來求取函數的最大值，但即使是其中最好的演算法，都不能保證在每一種情況下皆能算出正確的最大值。在某種程度，這些程式都還是得依賴老方法嘗試及錯誤，也就是猜測。
賀南告訴同事，既然如此，反正都要靠嘗試錯誤，何不試試大自然嘗試錯誤的方法物競天擇？與其想寫一個程式來做你自己都還不清楚的工作，何不乾脆讓程式演化！
遺傳演算法正是如此。想要看看這種演算法如何運作，你得先忘掉福傳語言，直接看電腦內部，其中的程式是由一系列二元的一和○所代表：110100111100011001000101011。以這種形式出現時，電腦程式看起來很像染色體，每一個二元的數字就是單一的基因。一旦你開始以生物學的概念來看這些二元密碼，你就可以運用相同的生物學類比來令程式演化。
賀南說，首先讓電腦創造出大約一百個數位染色體，每一個染色體之間都有些隨機的差異。我們可以說，每一個染色體都代表一群斑馬中的一隻斑馬。（為了簡單化，也因為賀南想要產生絕對的演化，遺傳演算法省略了像馬蹄、胃、腦子等細節，而把個別生物模擬為單一的DNA。同時，考慮到實際演算的可能性，賀南的二元染色體必須只有十來個二元數字那麼長，所以這些染色體並不是完整的程式，而只是一部分程式。事實上，在賀南早期的實驗中，染色體只代表單一的變數。但是，這些變動都不影響演算法的基本原則。）
讓程式交配、演化
其次，你把個別的染色體當成電腦程式一樣運轉，測試它解決問題的能力，然後打個分數。就生物學的角度來看，這個分數決定了個別染色體的適應能力。適應能力愈高的數位染色體，愈有可能被遺傳演算法選來繁殖下一代把基因遺傳給下一代。
第三，你把