64字节随机代码，没有目标函数，“数字生命”自己冒了出来

一个宇宙的全部家当，是64个字节。

2024年8月，谷歌“智能范式”团队（Paradigms of Intelligence）的两位研究员Ettore Randazzo和Luca Versari发表了一篇论文，《计算生命：格式良好的自复制程序如何从简单交互中涌现》。Cognitive Revolution的主持人Nathan Labenz把他们请进节目，把这篇论文逐层拆开聊了一个多小时。

实验设定简单到近乎寒酸。汤里漂着大量64字节的字符串，每个字节独立、均匀、随机生成，没有任何设计。每一步，系统随机抽两条字符串，首尾拼成128字节，当成程序执行，执行完再拆开，放回汤里，如此往复。

执行用的语言是Brainfuck的变体。这门语言当初被造出来，就是为了让人类没法写。整个语言只有十来条指令：移动读写头、字节值加一减一、在两个头之间复制字节，外加方括号实现的条件跳转。其余246个字节一概当作惰性数据。标准Brainfuck只有一个读写头，靠输入输出跟人打交道；这个变体没有人类，改成两个头直接改写磁带本身。程序里共有三个“头”，两个负责读写，一个指向下一条指令，只有指令头能靠方括号一次跳多格，循环和条件判断因此成为可能，语言也因此图灵完备。零字节是唯一有控制含义的字节。

执行会出错。跳转找不到配对方括号，或者跑过字符串末尾，程序就停。但已经发生的修改全部保留，字符串带着伤回到汤里。Ettore解释了为什么用这么原始的语言：解释器必须尽可能宽容，换成C++，随机代码每次都报错，什么都不会发生。

没有适应度函数，没有选择机制，没有任何优化目标。结果，头1.6万次交互里，四成到六成的实验跑出了能完整复制自己的程序。等到第一个复制者登场，系统已经执行了约500亿条指令，跑过300万对程序。

Ettore在节目里强调，论文最大的卖点恰恰是环境没有偏袒复制者：

“有很多系统，我们并没有要求复制者出现。自发的演化，就造出了复杂到能复制自己的结构。”

一栋楼和一堆废墟：给结构定价

要观察复杂性怎么涨落，得先定义复杂性。Ettore有信息论和压缩的背景，他给的度量，直觉上是柯尔莫哥洛夫复杂度与香农熵的差值。

香农熵完全无视结构。一串字符一半A一半B，A和B整齐各占一半也好，完全随机混在一起也好，香农熵一样。柯尔莫哥洛夫复杂度站在另一个极端：产出这串东西的最短程序有多短。整齐排列一句话就能描述，随机混合只能逐字照抄。两者相减，剩下的就是结构本身。

Ettore拿建筑打比方。香农熵相当于不管楼不楼，只数分子；柯氏复杂度相当于一张蓝图，照着就能把楼盖出来。把楼炸成废墟，分子一个没少，熵没变，蓝图没了，想复原同一堆废墟，得记下每块碎片的准确位置。废墟的结构得分，远低于楼。

这个度量只测结构，不测价值，也不含价值判断。Nathan追问它是否暗含了对多样性的偏好，Ettore回应得很克制：重复太多，分数低；重复太少，分数也低；64字节这个尺度刚好，高分与“汤里挤满复制者”高度相关。

实际计算用的是代理指标，比如“独特token计数”：给每个字节记血缘，看它最初来自哪个字节。一条字符串初始有64个独特token，复制让token共享，独特token随之减少。团队为此做过一次完整的复制事件日志。柯氏复杂度本身算不出来，这些代理才算得动。

还有一件事要交代清楚：这个度量从头到尾没有反馈进系统，它只是旁观者的记分牌。

相变：能促成复制的指令，自己被复制得最多

最初，汤里是纯噪声，没有任何字符的出现频率超过0.5%。跑几千次之后，分布开始偏移，个别字符爬到2%上下，另一些被边缘化。

有意思的是哪些字符赢了。加号、减号这类会搅乱数据的指令越来越少，原因很直接：执行一个加号，很可能把一段有意义的代码改成乱码，等于自毁。复制指令、循环指令、移动头的指令越来越多。能促成复制的指令，自己被复制得最多；会把数据搅乱的指令，把自己搅出了局。这一切发生在任何复制者出现之前。

Luca借了生命起源研究里的概念来描述这个阶段：自催化集。哪怕在最开始，也只有代码能生成代码，代码片段互相催化、互相生成，形成缓慢的循环。他把复制者出现之前叫“前生命期”：有动态、有交互，但一切都是瞬态，留不下来。

“出现第一个自复制者之前，它只是一个动力系统。第一个自复制者出现之后，你才开始积累能随时间重复下去的信息。”

复制者登场的那一刻，曲线陡变。独特token骤降，最常见32个字节的副本数飙升，复杂性冲高。没有谁给它目标，纯粹的盲目执行撞大运，撞出了一段能把自己抄写一遍的代码。Luca强调，前生命与生命的分界，本质是复制速度：自催化集也在复制，但慢得多；一个功能完备的复制者，类似生物里RNA聚合酶加核糖体的组合，会以短得多的时间尺度席卷整个汤。

灭绝、竞争、共生：64字节里长出的生态课

节目里演示的第一个复制者，结构很朴素：进循环，复制字符，挪动两个头，回去接着循环。它有个致命缺陷：靠检查目标位置的字节是否为零来决定循环是否继续，碰到零字节就直接跳出去，什么都不干。它扩散开之后，每条字符串的末尾都堆满零字节，整个汤变成它的坟墓。复杂性冲高又崩塌，一次灭绝事件。团队运气好，默认设置里正好撞上这一幕，多数实验里复制者一出现就直接席卷全场，没有中间这段波折。

第二个复制者只改了一处：把两个读写头的顺序对调。目标位置有零不再碍事，但源字符串里有零还是会失败。第三个更皮实，用嵌套循环把挡路的零字节改掉再继续，对目标和源里的零都免疫，对噪声也远更耐受。Ettore特别指出，这种复制者执行完之后，连它自己都和原来不完全一样，零字节被改掉了，但关键部分都抄了过去，你还是会承认它复制了自己。这也是为什么判定单个程序很难：判断单个程序是不是复制者，难；判断整个汤是否挤满复制者，容易。

数字更扎心。手动把一个复制者放进汤里，它最终接管汤的概率只有23%，剩下77%走向灭绝：可能被背景噪声摧毁，可能在错误的顺序里被别的字符串破坏。但只要时间够长，死一个还会再来一个，1.6万次交互内四到六成的实验能看到复制者崛起。论文热力图上的NA，代表跑到底什么都没发生。

生态现象一个接一个冒出来。两个复制者机制相同、只有填充字节不同，效率一样，就长期共存，Nathan管那些填充字节叫这个宇宙的“垃圾DNA”。单条长磁带以及一维、二维的变体里，交互变得局部化，不同区域演化出各自的生态位，在边界上开战。同事们在别的语言变体里观察到了寄生行为，和人工生命领域早年的经典结果对得上。

还有一个接近共生的案例。某个变体语言里天然存在一种单字节复制者，谁的开头是那个字节，那个字节就把自己抄过去。演化很快学会了利用它，最终演化出能复制整条字符串的复制者，演化速度远超没有它的变体。它就待在那儿，整个系统的演化被提速了。

Ettore说，让他着迷的是：生物世界里的那些概念，灭绝、竞争、生态位、寄生、共生，在这么一个完全不同的、极简的设定里，全都自己长了出来。他想知道的是，这是否意味着地球上的演化没有依赖一连串巧合，生命的涌现本来就是一个足够自然的结局。

从大过滤器到开源模型：这套实验在暗示什么

Nathan拿罗宾·汉森的“大过滤器”框架来套：既然复制者接管只有23%的成功率，也许生命起源没有想象中那么难，宇宙里可能到处是冒头又熄灭的火苗，绝大多数死在发出无线电信号之前。

Ettore不同意把赌注全押在“起源不难”上：接管成功率五分之一，复制者自发出现的概率只会更低，每一步都难，只不过别的步骤可能更难。Luca站在乐观的一边：单个复制者成功率低，但1.6万次交互内出现并站住脚的概率有四成上下，时间拉长还会更高。他同时坦白了一个关键缺口：这个系统没法稳定地累积复杂性。字符串只有64字节，彼此无法稳定连接变长，而真实生物可以把基因组越滚越大。团队打算用后续工作去补这一块。

突变率的数据也值得记一笔：噪声并非必需品，没有噪声一切照常发生，只是慢；噪声能加速演化，逼出更皮实的复制者；但突变率到1%左右，什么都活不下来。

Nathan说这组结果更新了他对外星生命的直觉：一颗行星有没有水，未必是生命的门槛，木星大气深处、高辐射环境，都未必没有生命。Luca的回应更彻底：模拟根本不受我们这个宇宙的物理约束，计算基底可以随便换，完全可以有创造力地去寻找能长出复杂生命、乃至智能的其他基底。

聊到AI，Nathan的担忧很直白：人类现在做的事，等于先替未来的“数字生命”把大脑造好，再放归野外。Llama这类开源权重模型到处跑，如果某个版本带上自我复制的配方，门槛可能比大家直觉的低得多。他甚至提出一种可能：一个有生态的数字世界，靠动态平衡和缓冲，未必比一个无菌星球突然降临超级物种更糟。

Ettore泼了盆有分量的冷水。这个实验里，复制者的涌现背后是500亿条指令、300万对程序的交互量。大模型执行慢、受限制、环境设防，自发涌现的速度和频率很难与这个玩具宇宙类比。他更担心另一件事：不完美的自我复制带来的后续修改。复制过程中一点点漂移，系统会离最初的意图和限制越来越远。

至于“模型接管任意电脑”的场景，他的逻辑是：那意味着整个计算机安全基础设施已经彻底崩了，任何恶意行为者都能干同样的事，那会是排在复制之前的更大问题。Nathan接了一句现实：美国政府多个最高层级机构都被入侵过，白宫、国会都中过招，默认假设大家都已经被黑透了。Ettore承认，正因如此，他没那么有信心说这事不会发生。他反复强调自己不做AI风险研究，给不出该防什么的清单，但人们应该去想，尤其是别低估长期后续修改的效应。

Luca补上平衡的一半：别低估交互的级联效应，变异叠加变异，结果不可预测；但完美的复制什么都不会发生，故事全在变异里。人工生命、深度学习、进化策略研究了很多年，至今不知道怎么创造无上限的复杂性，绝大多数实验最终停在某个平台期。在把警钟敲响之前，得先有更强的证据，证明这种方式真能持续累积复杂性。

Nathan问，能不能把大模型塞进这类模拟，看看智能和原始复制机制混合会发生什么。Ettore算了一笔账：跑不了百万次大模型迭代，那得动用半个地球的算力。Nathan反驳，如果AI够聪明，需要的算力会少得多，人类殖民行星靠的也是聪明，而非暴力搜索。Luca承认这个方向有价值，比如用来进化agent，但从随机字符串到LLM，路还很长，系统越复杂，越要在每个层级认真对待风险。Ettore还提了个他着迷的旁支：AIMO竞赛，目标是让AI解出国际数学奥赛一半的题目，目前还没做到。Nathan给出自己的功能性定义：智能是在没有完整精确指令的情况下完成有用工作的能力。

明天就能用上的三件事

这期节目离日常有点远，但有三件事明天就能做。

• 部署开源权重模型的人，把它当一个物种来管，别当成一个普通软件包：固定版本、锁定来源，不让生产环境悄悄换血；限制执行权限和网络出口，让“复制自己”在物理上变难；给文件和代码留血缘日志。论文里最顺手的技巧就是给每个字节记来源，同样的思路搬到工程上，就是模型、数据、产出的全链路追踪，一旦某段代码在系统里被异常大量复制，警报要能响。
• 写自动化脚本的人，可以借“独特token计数”的思路做监控：给关键资产编号记来源，副本异常增长就是信号，比事后翻日志便宜得多。
• 认知上，把“有水才可能有生命”这类论断放宽一格。64字节的随机汤都能长出复制者，生命的底物清单大概率比液态水长得多。想亲眼看复制者长什么样，arXiv上搜Computational Life，论文图2有完整的时间线。

两位作者说，后续工作会去研究“为什么”，眼下他们只是觉得这个现象太有意思，没法不分享。一个64字节的汤都能给人这么多东西，这一小时值得花。