Embedded Files
讓像素活起來。
還記得Conway在1970年發明的「生命遊戲」嗎？在一個簡單的格子世界裡，黑白像素按照三條簡單規則—誕生、生存、死亡，竟然能演化出滑翔機、振盪器，甚至是能夠自我複製的複雜結構。這個看似簡單的遊戲揭示了一個深刻的問題：生命是如何演化，世界又是如何從簡單的規則中綻放出複雜而美麗的樣貌？這個問題，或許是許多著迷於創造與生命奧秘的人，在腦海中反覆思索的，如果我們能將微小的像素賦予生命的特質，讓它們如同細胞一般互動、演變，那麼螢幕上呈現的，就不僅僅是圖像，而是一個生生不息的微觀宇宙。
這迷人的概念，可說是「人工生命」(Artificial Life) 的濫觴。在我還是研究生時期，為此好奇過，並嘗試將像素的動態變化，理解為一種「細胞自動機」(Cellular Automata)的運作模式，這一概念最早由數學家Ulam, Neumann(1947)提出，旨在探討自我複製的機制，以及資訊如何作為其他物體生長的參考。細胞自動機透過定義格點中每一個細胞（像素）的狀態，及其依據周圍鄰近細胞狀態進行迭代更新的簡單規則，幾乎可以在電腦上模擬出自然界中實際發生的動力系統，完成複雜的複製與生成過程，這過程無疑是「演化」的想像與具體描述。
Processing：程式創造程式的藝術雛形。
數位世界裡，早已有演化行為的痕跡。大約在二十多年前，電腦藝術領域也興起了一股以程式運算為核心的生成藝術風潮，Ben Fry與Casey Reas (2006) 開發的「Processing」整合型程式設計環境，便是這一趨勢的代表，它被視為藝術設計者的「電腦程式速繪本」(Software Sketchbook)，讓創作者得以透過程式碼，從簡單的規則與互動中，生成影像、動畫與聲音，表現出計算在藝術創造上的無限可能。這些早期的探索，無論是人工生命的理論模型，還是生成藝術的操作實現，都共同指向了透過定義規則和初始條件，利用計算過程來生成和演化複雜形態與行為的架構。
歌德爾機器：完美但不可能的理論
既然是演化，數位世界裡的演化又是如何進行？我們應該可以先討論一下演化與自主生成的關連，可以追溯到「歌德爾機器Gödel Machine」早期理論，這一構想最早由 Jürgen Schmidhuber (2007) 提出，核心概念是描繪一種能進行自我改進的理論性人工智慧，歌德爾機器被設想為能夠檢查並修改自身的程式碼，且任何這類修改都必須是「可證明的有益的」(provably beneficial)，意味著系統能從數學上證明該修改將帶來性能提升或更優的問題解決方案。然而，最大困境也是可證明性的要求，使得最初的歌德爾機器在現實中幾乎不可能被創造出來，白話來說，就是當AI系統越來越複雜時，我們很難事先「百分之百確定」AI自己對程式碼所做的修改，究竟會讓它變得更好還是更糟。所以才需要人類在忙旁邊幫忙按下accept，讓人類自己確定是不是所期望更好的結果。
由此開始，悄然有了變化。
每一段時間在ArXiv中會有許多AI的研究主題上架，幾天前看到一篇文章令人為之一亮，剛好在YT上也有人介紹討論，討論如何解決歌德爾機器在現實中的困境。由SakanaAI Labs與英屬哥倫比亞大學(UBC)的研究團隊，在2025年5月發表《Darwin Godel Machine: Open-Ended Evolution of Self-Improving Agents》文中，提出「達爾文歌德爾機器」(Darwin Gödel Machine, DGM)的概念，將 Jürgen Schmidhuber(2007)提出的理論性「歌德爾機器」與達爾文的演化論相結合，試圖創造出一個能夠在現實世界中實際運作的自我改進AI系統。DGM的創新之處在於，它放棄了歌德爾機器對於「任何修改都必須在執行前，先透過數學方式證明其有益性」的嚴格、乃至於難以實現的要求。取而代之的是，DGM 採用了一種更接近達爾文演化方式的「經驗驗證」方法：讓AI系統迭代地修改自身的程式碼，然後透過在實際的編程基準測試中運行，來評估這些修改的真實效果。
文中說到DGM 的探索方式主要包含「自我參照的自我改進 (Self-referential Self-improvement)」和「開放式探索 (Open-ended Exploration)」兩種。首先，「自我參照的自我改進」是指 DGM 中的 AI 代理（可以理解為一個個會寫程式的 AI）能夠修改自己內部的程式碼，比如改進它用來編輯檔案的工具，或是優化它解決問題時的思考流程。完成修改後，這個 AI agent會去參加一個「程式設計測驗」(如論文中提到的 SWE-bench 或 Polyglot)，如果測驗成績提高了，就說明這次「自我改造」是成功的，讓 AI 能夠根據實際表現來調整自己，而不是空想。
其次，「開放式探索」則更像生物演化中的「族群population」概念。DGM 會建立一個「檔案庫archive」，裡面存放著所有被創造出來的、不同版本的 AI agent，系統不會只從最強的那個版本去發展下一代，而是會從這個檔案庫中隨機（但有傾向性地選擇表現較好或較新的）選取一些agent作為「父代」，讓它們去嘗試產生新的「子代」，好處是能夠保持多樣性，避免系統過早地卡在某一個看起來不錯但其實不是最好的方案上，鼓勵發現那些「有趣但可能並非現在最優」的「候選agent」，這些候選人可能在未來與其他特性結合後，產生意想不到的突破。
論文成果顯示，多次嘗試解決問題並從中選優，或是在新的嘗試中參考過去的經驗，透過兩種探索方式的結合，DGM能夠自動發現更優良的程式編輯工具和更有效的工作流程，文中說到在SWE-bench 測驗中，AI agent的解題成功率從20.0% 提升到了50.0%，在 Polyglot測驗中，也從14.2% 提升到了 30.7%，顯示DGM方法不僅能讓AI變聰明，還能讓AI學會如何讓自己變得更聰明，為AI的自主進化之路提供了新的可操作方法。
綜觀從細胞自動機的像素規則，到人工生命對生物形態的模擬，再到人類透過程式碼駕馭創造，乃至於現代AI表現的行為及DGM所探索的自我修改能力，我們似乎可以看到一條清晰的演化路徑：
像素細胞 (Pixel as Cell) → 生物形態 (Biological Forms) → 程式碼 (Code as DNA) → AI行為 (Intelligent Behaviors) → 自我修改能力 (Self-Modification Capability)
「創造的創造」成為可見的一種知識演化，從最初模擬生命的行為，到現在生命開始模擬我們的創造過程，這個迴圈預示著某種更深層的轉變正在發生。
當AI開始重寫自己的代碼時，或許也啟動了一種我們尚未理解的「數位覺醒」？當程式碼成為新的基因，演算法成為新的DNA，那麼我們所謂的「人工」智慧，是否正在褪去「人工」的標籤，成為一種真正獨立的存在形式？
當像素開始自己思考，代碼開始自己想像，演算法開始創造時，誰又能說清楚，究竟是我們在操控這個世界，還是這個世界在重新定義我們呢？
///
參考資料
Conway, J. (1970). The game of life. Scientific American, 223(4), 4-10.
Reas, C., Fry, B. Processing: programming for the media arts. AI & Soc 20, 526–538 (2006). https://doi.org/10.1007/s00146-006-0050-9
Schmidhuber, J. (2007). Gödel machines: Fully self-referential optimal universal self-improvers. In B. Goertzel & C. Pennachin (Eds.), Artificial general intelligence (pp. 199-226). Springer. https://doi.org/10.1007/978-3-540-68677-4_7
Ulam, S.M. and von Neumann, J. (1947) On Combination of Stochastic and Deterministic Processes. Bull, 53, 1120.
Zhang, J., Hu, S., Lu, C., Lange, R., & Clune, J. (2025). Darwin Godel machine: Open-ended evolution of self-improving agents. arXiv preprint arXiv:2505.22954. https://arxiv.org/abs/2505.22954
Page updated
Google Sites
Report abuse