从随机字节里长出会复制的程序：这锅“数字原始汤”到底证明了什么
林岚｜OC 开发者生态编辑
林岚｜OC 开发者生态编辑
根据预印本论文 Co-evolution of self-replication and function in a digital primordial soup，研究者把随机生成的 32 字节 Z80 汇编程序放进一个允许突变和两两交互的数字环境，没有预先写入复制函数。部分实验运行中，自复制结构自然出现，并在数学任务选择压力下与多项式计算能力共同演化。
一句话结论： 实验没有在电脑里创造生命，却展示了一个重要机制：当复制方式也必须靠演化自己找到时，环境任务会反过来塑造“身体结构”，复制又会改变解决问题的学习路径。
传统遗传算法通常把最关键的一步替参与者做好了。研究者设计染色体格式、复制流程和交叉方式，算法只需要在这个框架里优化答案。它很有用，但不太适合追问生命起源中的问题：第一个能够复制自己的结构从哪里来？复制和功能又是先后出现，还是相互推动？
这项实验使用的是老式 Z80 指令集。每个“生物”起初只是 32 个随机字节，解释为机器指令后，大多数程序当然没有意义，可能很快停止、乱跳或破坏内存。程序被成对放进共享执行环境，通过随机突变和交互，极少数序列可能碰巧复制自身的一部分；一旦复制结构能留下更多后代，它就获得演化优势。
数学题不是智力测试，而是环境压力
研究者加入了一个任务验证步骤：程序如果能正确计算指定多项式，就会提高与其他程序交互的概率。这不是给程序发一张试卷再统计正确率，而是在改变谁更有机会继续参与演化。
结果显示，复制与计算功能可以从随机初始状态共同出现。计算压力会促使程序形成更紧凑、稳健的复制架构，为任务执行留出有限内存；加入类似“代谢成本”的约束后，一些程序还演化出条件停止：验证任务时及时结束，进入交互阶段时则绕过停止指令，执行块复制。
研究者还把不同难度的多项式任务放进空间生态位。程序不会一开始就跳到最复杂解法，而是先在简单区域获得可用功能，再把这些结构当作通往复杂任务的台阶。论文把它称为自发形成的学习课程。
这和机器学习里的 curriculum learning 有相似味道，但课程不是研究者按训练步骤喂给单个模型，而是由空间、复制和竞争共同产生。
它没有证明生命会轻易从随机中出现
“随机代码演化出生命”是很诱人的标题，也最容易说过头。这个环境由研究者设计：指令集、内存大小、突变方式、交互规则、任务奖励和运行资源都已经存在。程序也没有新陈代谢、细胞边界、真实化学反应和开放环境中的生存压力。
论文证明的是在这套数字规则内，研究者不必直接编码复制算法，自复制和任务功能可以通过选择过程共同涌现。它支持某些关于演化机制的假设，却不能把数字程序直接等同于早期地球上的分子，也不能给出真实生命起源的概率。
另一个需要谨慎的地方是可复现性。预印本刚刚公开，实验结果依赖参数、随机种子和“复制成功”的判定方式。未来更重要的问题包括：不同指令集是否得到类似结果，缩小人工设计的奖励后是否仍会出现功能，以及演化结构能否跨环境保持。
对 AI 研究有什么启发
今天的大模型训练通常把模型架构固定，只优化权重。数字生命实验提醒我们，解决问题的能力和执行结构未必必须分开设计。Agent 的记忆布局、工具调用协议、停止条件和协作方式，也可能在任务压力下共同优化。
但从这里直接跳到“下一代 AI 会自我进化”仍然太快。实验中的程序极短、环境高度受控，目标也清晰可验证。现实软件要面对安全边界、资源账单和不可逆操作，自我修改必须比实验培养皿严格得多。
关键事实
- 初始个体是随机 32 字节 Z80 程序，复制过程没有被直接硬编码进个体。
- 正确计算多项式会提高程序交互概率，从而形成选择压力。
- 实验观察到复制架构、任务功能和条件停止共同演化。
- 论文是预印本，结论针对人工数字环境，不等于解释了真实生命起源。
OC 判断
真正的新意不是“随机数也能写程序”，而是研究者让复制成为需要演化解决的问题，并观察功能如何反过来改变复制结构。它更像一个研究演化反馈的干净沙盘，而不是数字生命诞生的宣言。
为什么重要
- 对 AI 研究者： 能力、记忆和执行结构可能需要共同优化，而不只是固定架构后训练参数。
- 对开发者： 一个系统的停止条件、资源约束和交互协议，本身会改变它能演化出的策略。
- 对普通读者： “涌现”并不等于没有人为规则，理解实验边界比惊叹结果更重要。
评论
围绕这篇文章补充信息、提出问题或分享观察。