经典排序算法作为形态发生模型：自排序数组揭示基础智能最小模型中的意外能力

新兴的多样性智能领域旨在识别、形式化和理解跨广泛实现的行为能力的共性。特别有趣的是那些简单的系统，它们在乍看之下似乎不够复杂以实现记忆、决策或问题解决等能力的基底中提供了意想不到的例子。我们寻求开发工具以帮助理解这些能力的最小需求，并学会在非常规基底中识别和预测基础形式的智能。在这里，我们对经典排序算法的行为应用了新颖的分析，这些算法是已被研究数十年的短代码片段。为了研究这些排序算法作为生物形态发生及其能力的模型，我们打破了两个以前普遍存在的假设：自上而下的控制（相反，展示了数字数组中的每个元素如何施加最小代理并从下到上实现排序策略），以及完全可靠的硬件（相反，允许一些元素“损坏”并无法执行算法）。我们定量地将排序活动表征为问题空间的遍历，表明在存在错误的情况下，自主元素数组比传统实现更可靠、更稳健地进行自排序。此外，我们发现了暂时减少进展以绕过缺陷的能力，以及遵循两种不同算法之一的嵌合体数组中元素之间意想不到的聚类行为。在简单、熟悉的算法中发现涌现的问题解决能力为多样性智能领域贡献了一个新视角，展示了基础形式的智能如何在简单系统中涌现，而无需显式编码在其底层机制中。