人造生命正在被AI驯服，这件事比你想的更吓人！
一个AI自己给自己出题、自己解题，然后在虚拟世界里凭空造出了会移动、会自我修复的“生命”——这不是科幻，是刚发生的事！
摘要：法国Inria团队联合塔夫茨大学艾伦发现中心，开发了一套名为CARL的强化学习系统，能在Lenia——一种连续版“生命游戏”——中通过局部干预创造并控制自组织孤波。CARL在85种不同更新规则下训练，学会了在陌生环境中零样本地引导“人造生命”移动，甚至能让普通人在实时操作中指挥这些数字生物走迷宫。这不仅是人工生命研究的里程碑，更可能颠覆我们对“实验”和“发现”这两个词的理解。
传统玩法：开一枪，然后祈祷
玩过“生命游戏”吗？
就是那个格子世界，每个格子要么活要么死，下一轮死活取决于周围邻居的数量。规则简单到三句话能说清，但能跑出无限复杂的图案。康威在1970年发明它的时候，只是想做个数学游戏，结果后来有人证明它和图灵机一样能算一切可计算的东西。
问题来了：这个游戏太不可控了。
你摆一个初始图案，按“开始”，然后呢？然后你就只能看着。它可能变成一坨死寂，可能变成永不停歇的震荡，可能跑出一个会自己复制的东西——但你决定不了。你只能设置起点，剩下的交给命运。
Lenia把这个问题放大了十倍。
Lenia是香港程序员Bert Chan在2018年搞出来的东西，名字来自拉丁语“lenis”，意思是“平滑”。它把生命游戏里“死或活”的二值状态变成了0到1之间的连续值，把“一步一跳”的离散时间变成了可以任意细分的连续时间，把“只看周围一圈”的局部规则变成了可以调半径、调形状的卷积核。
结果是什么？
结果是你能在屏幕上看到一团像水母、像细菌、像变形虫的东西，自己动，自己长，自己修复伤口，甚至能自我复制。Bert Chan说他已经在Lenia里发现了18个“科”的400多个“物种”。
但玩法没变——还是开一枪，然后祈祷。
你调好参数，摆好初始形状，点运行，然后瞪大眼睛看。好看是好看，但你控制不了它往哪走、长多大、变不变形。你像一个只会放烟花的观众，点燃引信之后就只能仰着脖子等。
这叫什么？这叫开环实验。
等等，他们改了什么？
2026年，法国Inria研究中心的一群人——Marko Cvjetko、Benedikt Hartl、Clément Moulin-Frier、Pierre-Yves Oudeyer——联合塔夫茨大学的Michael Levin团队，干了件反常识的事。
他们没去改Lenia的规则，也没发明更复杂的“生命”模型。
他们往里面塞了一个AI。
这个AI叫CARL，全称是“人工实验者”（The Artificial Experimentalist）。它不是那种会写诗会画图的AI，它是一个强化学习智能体——一种通过试错来学习如何达成目标的程序。
但CARL有个特殊之处：它是“自目标”的，也就是autotelic。
这个词来自希腊语，auto是“自己”，telos是“目标”。普通的强化学习智能体需要人类告诉它目标——“走到那个格子”“得多少分”——然后它去学怎么达成。CARL不这样。它自己给自己出题：今天我想让这片格子的总质量变成多少？明天我想让那个移动的“生物”往左拐。
然后它自己去学怎么实现。
这就好比一个科学家，不等人派课题，自己每天给自己布置实验任务，然后撸起袖子干。
一次只动一根手指
CARL怎么“干预”Lenia的世界？
不是砸烂重来，不是强行改写所有格子。
每次Lenia往前走一步，CARL可以在更新间隙做三件事之一：加一点东西、减一点东西、或者什么都不做。每次操作的幅度都很小，就像你用手指轻轻拨一下水面——而不是拿块石头砸进去。
就这么点动作，能干嘛？
能凭空造出“生命”。
实验是这样的：CARL先给自己定个目标——让这片格子的总质量达到某个值。然后它在一段时间里反复干预、观察、再干预。时间到了，它撒手不管，让系统自己跑下去。
结果呢？结果系统自己组织出了一个稳定移动的孤波——就是那种在Lenia里像生物一样自己往前跑的东西。
这就怪了。CARL从头到尾没告诉系统“你要长出一个会动的东西”，它只盯着“质量”这个数字在操作。但通过调控质量这个宏观指标，系统自己涌现出了有结构、有运动能力的模式。
这叫什么？这叫“拨动一根弦，弹出一首曲子”。
更狠的是对比实验。研究人员拿随机搜索和人工设计的启发式算法去跟CARL比，看谁能在同样多的尝试里“造”出更多稳定孤波。CARL的发现率比那些基线方法高出一截。换句话说，让AI自己瞎琢磨，比人类专家精心设计的搜索策略还管用。
但这还不是最离谱的部分
造出来不算本事，能指挥它往哪走才算。
CARL的第二个能力是“转向”。它学会了在孤波移动的过程中做极少的干预——可能就三四下——就能让这个自组织的“生物”拐弯。
想想你在操控一个漂在水面上的小纸船。你只能拿一根牙签轻轻拨水，不能直接推船。CARL干的就是这个——在恰当的位置、恰当的时机拨那么一两下，孤波就听话地转向了。
训练的时候，CARL面对的是85种不同的Lenia更新规则。每个规则相当于一个不同的“物理世界”——就像有的世界重力大、有的世界摩擦力小。CARL要在所有这些世界里都能干活。
结果它做到了。
更让人坐不住的是“零样本泛化”——这个词的意思是：CARL在训练时从没见过某些情况，但真遇到了也能应付。
比如训练时用的核半径是10，换成6或者24——相当于把“视野”缩小或放大了一倍多——CARL照样能工作。再比如给它从未见过的更新规则组合，它也能上手就来。
这就像一个人只在游泳池里练过游泳，扔进大海里照样能游。
好，那人类能用吗？
能。
研究人员搞了个实时演示，普通人可以用键盘箭头指挥一个被CARL训练好的智能体，让Lenia里的孤波走迷宫。
你按“上”，孤波往上走；按“左”，它往左拐。你不需要知道Lenia的参数、不需要懂强化学习、不需要了解任何底层机制。你只需要告诉CARL“我想让它往那边去”，CARL自己算出来该在什么时候、什么地方做那一下轻拨。
这相当于什么？
相当于你有了一个“人造生命”的遥控器。
但注意——这不是你在直接遥控那个孤波。你遥控的是CARL，CARL再通过极其微小的局部干预去影响整个系统的演化方向。中间隔了一层AI翻译官，把你想去的方向翻译成系统能理解的语言。
但是，真的“理解”了吗？
到这里你可能会问：CARL真的“懂”Lenia吗？
答案可能让你不舒服：它不懂。
CARL不知道什么叫“孤波”，不知道什么叫“自组织”，甚至不知道自己在“造生命”。它只知道一件事：在某个状态下做某个动作，能得到多少奖励。
它是一台巨大的模式匹配机器。训练时见过几百万次“做了A之后得到了B”的序列，于是学会了“想要B就做A”。至于A和B之间是什么因果关系、背后有什么物理规律——它一概不知。
这就引出一个细思极恐的问题：如果CARL能在完全不了解一个系统的情况下控制它，那“理解”到底重不重要？
传统科学的方法是：先理解规律，再实施控制。牛顿先搞懂了万有引力，然后才能算行星轨道。但CARL走的是另一条路：先学会控制，至于理不理解，无所谓。
这条路在Lenia上走得通。在其他复杂系统上呢？
Michael Levin——CARL论文的合作者，塔夫茨大学的生物学家——研究的是真正的生物自组织。他的实验室发现，细胞之间通过生物电信号沟通，形成一种“模式记忆”，决定了胚胎怎么长、器官怎么再生。
如果CARL这套方法能用在真实的生物系统上呢？
一个AI，在完全不知道基因、蛋白质、细胞信号通路是什么的情况下，通过反复试错学会了用微小的化学或电刺激引导组织生长成特定形状？
这不是在造“人造生命”了。这是在给真正的生命装遥控器。
一个让科学家睡不着觉的实验细节
论文里有一句话，看着平淡，细想炸裂：
训练用了85种更新规则，覆盖了(sigma, mu)参数空间的不同区域。核半径ρ=10是训练用的。测试时换成ρ=6、ρ=16、ρ=24——注意，ρ=24的网格大小是ρ=6的4倍。
CARL全都能应付。
这就好比一个人在标准大小的篮球场上练投篮，然后扔到一个四倍大的球场——篮筐高度没变、三分线距离没变，但整个空间尺度变了——他照样能投进。
但问题来了：CARL是怎么做到的？
是它学到了某种“缩放不变性”的通用策略？还是说Lenia这个系统本身就有某种尺度对称性，让在不同ρ下看到的东西本质上一样？如果是后者，那意味着Lenia的参数空间里藏着某种更深层的结构——一种我们还没搞明白的数学对称性。
如果是前者，那更吓人：一个神经网络在完全没被教过“尺度”这个概念的情况下，自己学会了在不同尺度间迁移技能。
论文没有回答这个问题。它只是展示了“能做到”，没说“为什么能做到”。
这就像你看到一个魔术师从帽子里变出兔子，他告诉你“看，兔子出来了”——但没告诉你帽子里有什么机关。你知道兔子是真的，但你也知道事情没这么简单。
到底是因为Lenia太好控制，还是因为CARL太会学？
这个问题，论文没有答案。
而更让人睡不着的是：如果明天把CARL接到一个真实的生物培养皿上——不用多复杂，就一群能互相通信的细胞——它会不会也在完全不懂生物学的情况下，学会用几束电流引导出我们从未见过的组织结构？
没人知道。
但有人正在试。
原文期刊：ALife 2026 / 发表日期：2026年 / 原文标题：The Artificial Experimentalist: Discovery and Control of Self-Organizing Phenomena with Autotelic Reinforcement Learning / 作者单位：Inria Centre at the University of Bordeaux · Allen Discovery Center, Tufts University · Wyss Institute, Harvard University · Inria, INSA Lyon, CITI