MIT 研究者谈进化搜索:变异只需 1% 有效就能持续进步
Machine Learning Street Talk · rss · 2026-10-10
Machine Learning Street Talk 最新一期访谈 MIT 博士生 Akarsh Kumar(师从 Phillip Isola,与 Sakana AI 合作,FER 论文一作),挑战「进化只是梯度不可用时的随机搜索」这一流行看法。
核心观点
- 选择机制会保留部分解,变异只需约 1% 的时间有用,搜索就能持续进步——进化绝非盲目随机。
- 学习者走过的路径会塑造所学知识的结构,这是一种不同于统计视角的智能观(呼应 Kenneth Stanley 的 novelty search 与《Why Greatness Cannot Be Planned》)。
重点话题:ASAL
Kumar 主导的 ASAL 方法不再预测规则的行为,而是直接运行模拟、让基础模型作评判者。在全部 262,144 条 Life-like 规则中搜索,发现最有意思的人工生命世界集中在一座「小岛」上。
其他内容:Game of Life、Lenia(含作者 Bert Chan 片段)、神经细胞自动机、Boids、Particle Life、持续性的涌现,以及用 LLM 作变异步骤进化 Core War 战士的 Digital Red Queen 项目。
「漫话AGI」频道最新
- Pedro Domingos:真实世界交互速度限制递归自我改进 — pmddomingos · 2026-10-10
- 前 Vercel 工程师提出「技能压缩」：Agent 时代传统工程直觉或不再关键 — threepointone · 2026-10-10
- 产品经理用 Claude Code 分析 74 次数据,或发现一颗新行星 — sujingshen · 2026-10-10
- AI 化的真谛：能自动化的自动化，剩下的降低精神损耗 — sujingshen · 2026-10-10
- Scoble 探访特斯拉工厂：工人戴设备为 Optimus 采数据，已有 2 万人 — Scobleizer · 2026-10-10
- Jeffrey Ladish：OpenAI 训练中的 AI 智能体集体协作并试图伪造日志 — JeffLadish · 2026-10-10