“拼命奔跑才能留在原地”：AI进化中的数字红皇后效应

当AI开始“进化”：一场发生在数字世界的红皇后竞赛

你有没有想过，人工智能之间也会像动物界那样“你追我赶”？不是人教它怎么赢，而是它们自己在不断对抗中，学会如何生存、适应、反击——就像地球上每一只猎豹必须跑得比羚羊快，每一只羚羊也必须跑得比猎豹更快。这，就是生物学中的“红皇后假说”：你必须不停地奔跑，才能停留在原地。

现在，这个自然界的法则，正在数字世界里被重新演绎。

1984年，几位计算机科学家在实验室里玩了一个疯狂的游戏——Core War。规则简单到极致：两个“战士”程序，用一种叫Redcode的微型汇编语言，在一块共享内存里厮杀。没有图形界面，没有音效，只有指令在内存中跳转、复制、破坏。谁能让对方程序崩溃，谁就赢。

听起来像极了80年代的黑客极客文化。但没人想到，30多年后，它会成为AI研究的“理想沙盒”——因为它的规则纯粹、边界清晰、胜负分明，完美模拟了“对抗性进化”的环境。

Sakana AI团队的突破，不是让AI写一个更强的程序，而是让AI“一代代进化”。

他们设计了名为Digital Red Queen（DRQ）的系统：每一轮，大语言模型（LLM）会生成上百个新“战士”程序，这些程序不是凭空设计，而是基于上一轮所有存活者的“基因”变异而来。然后，每个新战士都要和历史上所有曾出现过的对手——成百上千个旧程序——逐一对战。

胜者留下，败者淘汰。但关键不是赢一场，而是赢“所有场”。系统用MAP-Elites算法确保多样性——不只追求“最强”，还要保留“不同打法”。就像自然界不会只进化出一种猎豹，而是有快的、有耐力的、有伏击型的。

研究人员一开始以为，AI只要被训练去击败某个固定对手，就能变得极其高效。结果发现：确实，单轮优化的战士群体整体战斗力惊人，能碾压90%以上人类编写的经典程序。

但一拆开看，问题来了：大多数战士只能赢不到30%的对手。它们像特种兵，专攻一种战术，一旦遇到陌生打法，立刻崩溃。

而经过多轮进化、持续对抗的AI战士，却展现出惊人的“通用性”。它们不再依赖单一套路，而是能识别并应对多种攻击模式：有的会伪装成无害代码诱敌深入，有的擅长快速复制干扰内存，有的甚至能“反向追踪”对手的攻击路径，提前设伏。

它们不再只是“强”，而是“聪明”。

最让人震撼的，是独立运行的两组DRQ系统——它们从完全不同的初始种子出发，经过10轮进化后，竟产生了行为高度相似的战士。

它们的代码结构完全不同，变量命名、指令顺序、跳转逻辑都截然不同。但它们的“策略”却惊人一致：都懂得利用“自复制”制造干扰，都擅长“空指令陷阱”诱使对手跳入死循环，都学会了“延迟攻击”以避开早期防御。

这就像自然界中，鲨鱼和海豚，一个脊椎动物、一个哺乳动物，却都进化出了流线型身体和背鳍——不是因为它们有共同祖先，而是因为海洋给了它们同样的生存压力。

AI，也在数字海洋中，找到了属于自己的“最优解”。

Core War不是终点，它是一面镜子。

今天，AI已深度渗透金融风控、医疗诊断、自动驾驶、政务审批——这些系统不再孤立运行，它们彼此交互、互相试探、甚至被恶意攻击者利用。一个AI模型可能被另一个AI模型“欺骗”、诱导输出错误结果，就像黑客用对抗样本让人脸识别系统认错人脸。

传统“打补丁”式安全防护，已经跟不上节奏。你封一个漏洞，对方立刻进化出新攻击方式。这，正是红皇后效应的现实映射。

DRQ实验告诉我们：真正的鲁棒性，不是靠人工预设规则，而是靠持续对抗、自我演化。未来的AI系统，或许不该是“被训练好的专家”，而应该是“能不断自我更新的生存者”。

谷歌DeepMind的AlphaDev、OpenAI的Codex，早已在代码优化中展现AI的创造力。而DRQ，是第一次让AI在“生死对决”中，自发形成复杂、稳定、通用的对抗策略——这可能是通往“自主AI安全体系”的关键一步。

我们正站在一个转折点上。

当AI不仅能写代码，还能“思考”如何打败其他AI；当它们不再依赖人类的指令，而是通过持续对抗，自发形成防御与攻击的智慧——我们是否该重新思考：什么是AI的安全？什么是AI的智能？

也许，真正的AI文明，不是由人类设计出来的，而是由无数个AI在数字世界中，不断厮杀、学习、适应、进化……最终自然长出来的。

红皇后从不说话。她只是跑得更快。