20 世纪80 年代，解决复杂度问题的新方法开始萌芽，其目标是寻找新的途径来理解在生物体中发现的系统，这些系统比物理和化学系统还要复杂。与遵循艾萨克·牛顿运动定律的火箭运动的简单性不同，并没有一种简易的方式来描述树木如何生长。于是，计算机算法被一大群传奇的先驱用来探索这些古老的生命体问题。

斯图尔特·考夫曼（Stuart Kauffman）是一名医生，对基因网络很感兴趣。基因网络中被称为“转录因子”的蛋白质能定位基因，并影响它们是否被激活。6 他的模型是自组织的，基于二元单元网络，这个网络和神经网络在某些方面很相似，但速度要慢得多。克里斯托弗·兰顿（Christopher Langton）在20世纪80年代后期创造了“人造生命”这个术语，7 由此引发了一系列的尝试，旨在理解活细胞的复杂性和复杂行为形成发展的原理。尽管我们在细胞生物学和分子遗传学方面所取得的进展，已经能够揭示细胞内分子机制高度演化的复杂性，但生命的奥秘对我们来说仍然是个不解之谜。(www.daowen.com)

算法为创造出比现有世界更为复杂的世界提供了新的机会。事实上，20世纪发现的算法确实让我们重新思考了复杂性的本质。20 世纪80年代的神经网络革命，就是由类似的理解大脑复杂性的尝试所驱动的。虽然我们的神经网络模型比大脑的神经回路简单得多，但我们开发的学习算法使得探索一般原理成为可能，例如信息在大量神经元中的分布原理。不过，网络功能的复杂性是如何由相对简单的学习规则产生的呢？是否存在一种更简单的系统，既体现了复杂性，又更易于分析呢？