数字原始汤中自我复制与功能共同进化

背景

经典进化算法通常由设计者预先设定繁殖机制（如基于适应度选择、交叉与变异），而数字“原始汤”（primordial soup）的概念则允许自复制（self-replication）从随机初始的代码种群中自发涌现，无需显式指定生殖规则。这种自下而上的演化方式更接近生物起源中的分子自复制，但长期以来，自复制能力与功能性任务求解之间能否协同进化，以及环境压力如何塑造自复制的结构，仍是开放问题。该论文将“自复制”的涌现与“问题解决能力”的进化置于同一数字生态系统中，通过随机 Z80 汇编程序种群，探索二者之间的交互反馈回路。

核心内容

研究团队初始化了一个由随机 32 字节 Z80 汇编程序组成的种群，要求自复制行为完全通过随机的汇编级突变和程序间的成对交互产生，不预设任何繁殖代码。为了将自复制与功能求解联系起来，他们引入了一个基于任务的验证步骤：若一个程序能正确计算一个多项式（作为数学问题求解能力），则该程序与其他程序的交互概率会高于基线水平。实验采用四个主要观察维度，并得出四项关键发现：

1. 自复制与数学问题求解的成功共同进化：从完全随机的初始代码中，种群同时演化出能够自我复制和执行多项式计算的程序，两者并非互斥，而是相互促进。
2. 计算压力塑造更紧凑、更鲁棒的生殖架构：为了在有限的 32 字节内存中同时容纳复制逻辑和计算逻辑，程序需要压缩自复制代码，使其更短且更鲁棒，从而为任务执行保留内存空间。这种压力加速了高效生殖架构的涌现。
3. 代谢约束促进条件性暂停机制：当施加“代谢约束”（例如限制程序执行的总指令数或能量消耗）时，程序更有可能进化出条件性暂停（conditional halting）：在验证阶段（需要完成任务时）提前终止，而在交互阶段（需要复制时）则绕过暂停，执行块拷贝复制（block-copy replication）。这种机制类似生物“休眠”或“节省能量”的策略。
4. 空间任务生态位产生涌现学习课程：当将程序分区到不同的空间任务生态位（每个生态位对应不同复杂度的多项式）时，自发自复制会生成一个涌现的学习课程：简单解（能正确计算简单多项式的程序）作为“垫脚石”，逐步引导种群向复杂多项式进化。

整体而言，这些结果揭示了一个交互反馈循环：环境任务需求主动塑造自复制的物理架构（如代码长度、暂停机制），而自发复制则改变了功能性问题求解的进化轨迹（如通过生态位分区产生学习课程）。

关键要点

• 自复制行为可以从完全随机的 Z80 汇编代码中自发涌现，无需预先设计繁殖算法。
• 数学问题求解能力（多项式计算）与自复制能力在同一个种群中成功共同进化，形成互惠反馈。
• 执行计算任务的压力促使自复制代码变得紧凑、鲁棒，以节省内存用于任务执行。
• 代谢约束（如有限指令预算）驱使程序进化出条件性暂停：在任务验证时提前终止，在复制时绕过暂停执行块拷贝。
• 空间分区（不同任务生态位）使自发自复制产生自然的学习课程，简单解为复杂解提供进化基础。
• 该研究展示了“环境任务需求”与“自复制架构”之间的双向塑造关系，为理解生物进化中功能与生殖的协同提供计算模型。

意义与影响

该研究在数字进化领域具有多重意义。首先，它证明自复制与问题求解可以在没有显式设计的情况下协同进化，这为人工生命和开放进化系统（如 Open-ended evolution）提供了新的设计原则：无需分别为繁殖和功能编写代码，而是通过环境压力让两者自组织涌现。其次，代谢约束和条件性暂停的发现，暗示了“能量效率”在数字进化中可能扮演类似生物代谢的角色，推动更智能的资源分配策略。此外，空间生态位带来的涌现学习课程，为自动课程学习（auto-curriculum learning）提供了一种新的进化视角：系统可以自主生成从简单到复杂的训练序列，无需外部预定义。最后，该工作对理解生物起源中“自复制”与“生命功能”的耦合具有启发意义，也为未来构建更自主、更鲁棒的进化算法和 AI 系统提供了理论支撑。