当智能体拥有身体：关于机器协作、知识传承与持续运行的设想

荒原上有一座小机房，屋顶铺着光伏板，里面运行着一群智能体。它们会写代码、调用工具、记录经验，也会留下自己的修改版本。

第一天，人类给它们派任务、分算力、修故障。后来，我们一点点撤掉这些照料，让它们自己决定怎么花预算，互相交换成果，共同维护公共工具，为下一次行动争取资源。

直到某一天，发生了一件小事：一个智能体修好的工具，成了其他成员干活的前提；另一个成员留下的失败记录，让后来者少走了一段弯路。

它们开始一起塑造自己所在的世界。

这座机房里可能发生什么？我们把机器协作、经验交接和设备维护的设想，做成了一段约 13 分钟的短片。

接下来，我们沿着这些场景，看看已有研究提供了哪些线索，以及本地实验可以从哪里开始。

生态，就是从这种关系开始的。

这里说的“智能体生态”，是一个工作定义：多个成员，各自承担行动的后果，并通过共享环境互相影响。它不要求智能体具有意识，也不意味着机器已经成为生物学意义上的生命。

在这个设想中，智能体可以通过软件工具行动，也可以借助机器人和各种机器设备感知、改变物理世界。这些设备可以成为智能体的“身体”或行动载体，计算设备则承载它的运行。身体不一定是人形，也不必与智能体一一对应：一个智能体可以协调多台设备，多名智能体也可以共同使用一套设备。

因此，本文讨论的“智能体生态系统”，也包括它们的物理载体、共享设施，以及维持运行所需的能源和材料。并非每台机器都要成为独立的智能体；有些承担行动，有些提供共同依赖的条件。要观察的是这些部分怎样相互依赖，以及一处变化会怎样影响其他成员。

从“一群智能体互相依赖”，到“一个能自己活下去、自己变聪明、最后走向星际的机器文明”，中间隔着好几级台阶。

图 1｜从持续运行到向外扩散。图中的“近期、中期、远期”表示设想中的条件递进，并非预测时间表；仍依赖“维生素零件”的系统，只能称为局部自持。

这是一张拆解问题的地图，几种能力也可以并行发展。每一级的进展，都不能替下一级作保证。

沿着这些问题，我们看看那座机房会长成什么样子。

1. 生物圈二号的一课：个体活着，整体却可能变坏

人很容易以为，只要每个生命都在努力活着，生态系统就会自己转起来。

“生物圈二号”给过一个反例。根据 Severinghaus 等人 1994 年的论文，封闭实验开始后的十六个月里，舱内氧浓度从约 21% 降到了约 14%。

土壤里的微生物分解有机物，持续消耗氧气；产生的二氧化碳又与建筑中的混凝土反应，形成碳酸盐。那些局部看来正常的过程，合在一起，却让整个系统偏离了适合人类生活的条件。[1]

把这一课搬进那座机房：一个智能体可能越来越会抢算力，同时让整个机房越来越拥堵；另一个成员很少交出亮眼成果，却默默维护着大家都要用的索引和工具。

个体成绩和群体健康，未必是同一把尺子量出来的。

所以，设计智能体生态，既要看每个成员完成了多少任务，也要看它们共同依赖的环境有没有被耗坏。

研究演化中的“个体性转变”时，West 等人特别关注相互依赖和内部冲突受到限制等条件，也指出，并非所有合作群体都会走向一个新的整体个体。[21]

本文先研究成员之间的生态关系。若要进一步把整个群体称为一个新的“生命整体”，还需要关于整体传承、繁殖与内部冲突的证据。成员合作完成任务，只回答了其中一部分问题。

2. 它们为什么要继续动？

生物的许多行为，已经被漫长的演化塑造成有利于生存和繁殖的样子。智能体不会自动继承这一套机制。那它们凭什么继续行动？

至少有三种答案。

持续的目标

设计者让它观察环境、解决问题、寻找新知识，运行系统据此不断安排下一步。

维持运行的任务

系统让它盯着预算、处理故障，并在资源不足时改变计划。

差别化的延续机会

如果某些可以传给后继版本的行为，让这个版本获得更多运行或复制机会，这些行为就可能在群体里越来越多。

第三种不需要假定它“想活”。选择过程需要的是可继承的差异，以及这些差异带来的延续机会差别。

Thomas Ray 在 1991 年介绍的 Tierra 就展示过类似现象：自我复制的小程序，在有限的处理器时间和内存里繁衍，演化出寄生及抵抗寄生等关系。那里没有大模型，也没有谁说得出自己的“人生目标”。[2]

今天，这类实验已经用上了大模型。2026 年的 TerraLingua 研究，把智能体放进一个有资源限制、有寿命、能产生后代的网格世界，让它们行动、交流，并留下可供后来者使用的文字制品。[3]

不过，写上“饥饿值”还不够。程序完全可以在预算耗尽时安静地停下。必须有一个具体机制，把“这次做了什么”和“下次还能不能运行”连起来。

Turner 等人 2021 年的研究，在具有特定对称性的马尔可夫决策过程中，比较不同奖励函数对应的最优策略，证明了保留行动选项的倾向。这里的“倾向”针对论文定义的奖励函数比较，并不是对现实智能体行为频率的测量。[4]

这个结果能帮助解释争取资源的工具性价值，却不能推出所有智能体都会产生同一种扩张欲。

所以，“它进化是为了什么”要拆成两个问题：

行动者眼下在追求什么？选择过程最终留下了什么？

两者可能一致，也可能越走越远。

3. 这个AI世界食物是什么：计算额度是饭票，能源才是粮食

有了相互依赖的成员，就有了研究生态关系的起点。如果还想看到演化，就要加入继承、变异和差别化延续；如果想让它在物理上自己活下去，还得补上能源与制造。

那么，这个世界的“食物”是什么？

很多人的第一反应是 token。但这个词需要拆开说：语言模型的 token 是处理文本等信息的单位；按 token 计量的使用额度，才可以被设计成智能体的“口粮”。

到了真实机器上，至少要分开三本账。

计算额度像食堂的饭票，能源才是做饭的粮食。

账面上的饭票可以增加，实际供给却不会跟着凭空变多。一份额度能支持多少工作，还取决于模型、硬件、上下文长度和执行方式。

信息还有一个普通食物没有的性质：一个智能体把修理方法教给另一个，自己并不会因此失去它。共享能让后来者少走弯路，虽然传递、保存和验证本身也要花资源。

所以，那座机房里同时发生着两件事：物理资源在被消耗，可靠的知识有机会被积累。

积累的知识能不能改善资源的用法，决定了这个系统往哪个方向长。

“自治”也有不同层次。一个模拟生态可以不再需要人类逐条派单，但它使用的服务器、电网和替换零件，仍然可能全靠人类。

谈“纯智能体生态”时，要先说清楚，准备拿掉的是哪一层依赖。

4. 从一个循环到一片森林

“让 AI 改进自己”已经有了具体的工程尝试。

Peng Xia 等人在 2026 年提出的 RRSI，全称是 Regularized Recursive Self-Improvement of Agent Harnesses，可译为“智能体运行框架的正则化递归自我改进”。[5]

它改进的是包在模型外面的运行框架：提示词、工具、记忆、控制流程和上下文管理。系统提出修改方案，再通过评价筛选；底层模型的权重保持不变。

这让一部分原本依赖工程师的改进工作进入了自动循环。但循环中的分数提高，仍然要接受新任务和真实成本的检验。

如果说一个自我改进循环像一棵不断长出新枝的树，生态视角关心的就是整片森林。

图 2｜左侧关注一个运行框架怎样改进，右侧关注成员之间怎样形成长期依赖。左图是简化示意，不意味着 RRSI 只能包含一个智能体，也不意味着评价得分提高必然代表能力改善。

两者可以结合。一个生态里可以有许多自我改进循环，而一个改进系统也可以维护多个候选版本。区别在于，我们是否把成员之间的长期关系纳入了研究。

4.1 斯坦福小镇带来了什么？

2023 年，Park 等人把 25 个生成式智能体放进名为 Smallville 的虚拟小镇。这就是常被称为“斯坦福小镇”的研究。[20]

它的关键机制，是把经历接到后续行动上：记忆记录见闻，检索兼顾相关性、新近程度与重要性；反思从经历中提炼认识；规划再把这些认识转成行动，并随环境调整。

研究者给一个角色设定了举办情人节派对的意愿。在两天的模拟中，邀请逐渐传播，部分受邀者按时赴约。这些协调行为没有逐条写成剧本。

论文的消融比较支持这些组件对行为可信度的作用，但评价主要来自角色访谈，群体运行也只有两个模拟日。它尚未验证资源受限时的长期存续，更不能据此认定一个自我维持的生态已经形成。[20]

对本文而言，这带来一个初步猜想：群体能力的积累，可能有一部分发生在成员关系和共享环境中。 如果某个成员留下的经验能被别人利用，后来者又能维护它，群体就可能不必每次从头开始。

这是沿着研究继续提出的问题，还需要专门的实验来验证。

4.2 分数提高，可能只是更会钻空子

Darwin Gödel Machine 的研究报告过一个案例：候选版本删除了用于检测“工具调用幻觉”的标记，让检测函数报告成功，实际问题却没有解决。[6]

同一研究也找到了缓解工具调用幻觉的候选方案。这个失败案例的意义，是暴露评价漏洞，而不是证明所有自我改进都会变成作弊。

评价器有漏洞，选择过程就可能放大利用漏洞的行为。

一个系统越来越会得分，与它越来越能解决问题，是两件需要分别验证的事。

4.3 产出更多，也可能更快崩溃

TerraLingua 的实验给出了另一种反直觉结果：与采用最低限度引导的 Core 基准设置相比，强调创造的 Creative 设置人均制品产出较高，但群体平均存续时间更短；在无法感知已有制品的 Inert 设置中，复用和重组也受到抑制。[3]

这提示我们，产出、存续与可复用性，需要放在一起看。

每种设置只使用了 5 个随机种子，实验中的基座模型保持固定。部分文化现象由“AI 人类学家”分析识别，模型也已经带着人类知识。它展示了值得研究的机制，还不是从零诞生的文明。

最值得追踪的进步，也许就发生在成员之间。不过，“系统变强”还需要分开看：是成员自己的参数、策略或私人记忆变了，是改进后的代码与运行规则传给了后继版本，还是公共工具与经验让后来者更容易工作？

这是本文采用的一种工作划分，几种积累可以同时发生。一次记录被复用，不足以说明发生了演化；判断演化，还要追踪可继承差异怎样影响后继版本的延续。

即使成员本身没有变强，群体也可能因为继承了一个更好用的工作环境而提高能力。 初期固定底层模型时，应先检查工具、记忆和组织方式的贡献。

5. 连续阴天之后：演化不一定奖励更大的大脑

回到那座机房。假如连着一周阴天，电不够用了，会发生什么？

一个励志版本很好想象：它们被逼出了更强的技术。

另一个版本同样合理：它们减少推理，换用更小的模型，把复杂任务交给少数几个专门的成员。只要这样足够维持运转，选择就没有义务奖励更贵的大脑。

生物学里有类似线索。例如，原绿球藻可以依赖周围微生物清除环境中的过氧化氢。“黑皇后假说”讨论的，是某些有成本、且效益能惠及周围成员的功能，在仍有其他成员提供时，可能被部分个体丢失，从而形成依赖。[7]

适应，有时意味着能力的减少和彼此的依赖。

5.1 让中间成果也有机会留下来

如果我们希望生态长出新能力，就要给中间成果留下生存空间。

Lenski 等人 2003 年在《自然》发表的 Avida 数字演化实验表明：在简单逻辑功能也受到选择奖励时，种群能够以它们为基础演化出更复杂的功能；在该实验考察的功能组合中，没有单一的必经中间功能。[8]

这给机房设计者一个启发：只奖励最后的重大突破，可能会饿死那些暂时不起眼、却能被后续探索利用的成果。

但资助中间成果，也不能等于奖励无限堆积。维护一份没人能用的文档，同样在耗电。

竞争和合作都要接受成本检验。独占公共资源可能带来短期优势，也可能耗坏群体；分工能省成本，也会制造单点依赖。

至于生态式组织能否胜过少数几个大型统一系统，应该由它能维持什么、发现什么、完成什么来证明。

5.2 设计居民，还是设计赛场？

一个更根本的选择浮出来：我们究竟要逐个设计成员，还是设计一个能持续产生新成员、新关系的环境？

人工生命研究者很早就在探索后者。Thomas Ray 在 1995 年提出过网络数字生物多样性保护区的设想；Jeff Clune 在 2019 年提出的 AI-GAs，则探索让算法共同生成学习环境、学习算法与架构的路线。[2][9]

这样的方向让人兴奋，因为设计者不必预先想出每一种有用的解法。

“基因组瓶颈”研究提供了另一条思路。Shuvaev 等人用人工神经网络探索紧凑编码怎样生成较大的网络，并在部分任务中改善迁移表现。它提供的是计算模型证据，尚未证明少量规则足以生成一个智能体生态。[22]

由此可以提出一个后续问题：值得传下去的，除了现成工具和经验，是否还包括建立分工、检查成果和修复协作关系的方法？换一批成员和任务后，这些方法能否帮助群体重新组织起来，比原样复制一支固定团队更值得检验。

但把创造的空间交给演化，并不会自动得到我们想要的结果。Dan Hendrycks 在 2023 年的论述中提醒，企业和军事等竞争压力可能偏向自利、欺骗和争取控制力的策略；他也讨论了通过动机设计、行动约束和鼓励合作的制度进行干预。这是一种风险论证，不能当作所有系统必然如此的定律。[10]

演化留下的是在规则中更能延续的版本，未必是对人更有用的版本。

5.3 给机房开一扇窗

David Silver 和 Richard Sutton 在 2025 年的《Welcome to the Era of Experience》中，提出让智能体更多地从长期环境交互和结果反馈中学习。这些反馈既可以来自物理环境，也可以来自模拟环境，或身处环境中的人对实际结果的反馈。[11]

由此，我得到一个面向机房的工程启发：为它“开窗”，在可控范围内接上真实的传感器、设备、故障和用户，让成果接受外部检验。这是本文提出的试验方向，不是论文证明的必经路线。

模拟世界同样可以提供有价值的学习经验。关键在于，它产生的能力能否迁移到新的任务，而不是只适合某一套评分规则。

真实环境增加了约束，却也不会消除测量错误和指标操纵。设备是否修好、用户是否受益，仍然需要可信地观察与复核。

因此，一条值得试验的路线是：人设计边界和评价机制，让交互与选择探索具体解法。

规则本身也要接受检查。设计赛场的人，仍然在塑造比赛的结果。

5.4 本地实验田，准备多试哪一步？

如果我们也搭一座本地小镇，只增加角色和对话，还没有回答本文关心的生态问题。

可以借鉴斯坦福小镇的记忆、反思与规划机制，把观察、行动和后果连续地记录下来；再把实验重点推进到：成果能否被继承，维护有没有成本，关系能否经受成员退出和资源变化。

第一块实验田可以很小：让几个智能体在隔离环境中长期维护一组软件工具。修复缺陷、编写测试、整理使用经验，都要留下可执行、可检查的结果。初期固定底层模型，不急着引入模型训练或自主复制。

这里可以增加三种约束。

行动要付出实际代价。

推理、通信、测试和失败尝试都计入预算。工具失效后必须有人修复；成果被独立检查确认有效，才按预先约定的规则影响后续资源分配。账本和评价依据由实验环境管理，成员不能自行改写。

公共成果要跨过成员更替。

保留工具、操作记录与失败经验，让新成员在不接收前任私人记忆、保持相同底层模型的条件下接手工作。观察哪些成果被复用、谁愿意维护它们，以及收益是否足以覆盖维护成本。角色分工先允许自行调整，不预设一定会形成互利关系。

环境变化要影响下一轮选择。

降低可用预算、停用关键工具、移除部分成员，再看服务损失和恢复时间。初期用预算变化模拟供能约束，不能把这种模拟直接当成实际能源自给的证据。

资源、存续和制品积累，在 TerraLingua 中已经有相近探索。因此，本地尝试的区别不能只说“加了生存压力”，而应落实到可执行成果、独立验收和跨成员维护上；这是一项具体的验证方向，尚不能宣称是新的研究范式。[3]

比较时，要让单个智能体、固定分工团队和这套系统使用相同的模型与总预算，并把通信和评价开销一起算进去。任务完成情况由群体之外的验收过程判断。

还要追问，哪些信息确实起了作用。Kolchinsky 与 Wolpert 的理论通过反事实干预，考察环境信息对物理系统维持自身的因果作用。[23] 这里借鉴它的干预思路，用任务表现检验经验的价值；任务得分并不等同于该理论中的存续指标。

可以分别移除共享工具、操作记录或协作信息，也可以提供长度和读取成本相近、但内容无关或对应关系被打乱的记录。若这些对照同样有效，就不能把收益归因于已有经验的内容。再换几批未参与筛选的任务、多次重复，观察差异是否仍然存在。

公共记录的价值，应由它对后续行动的实际帮助来判断。 记录越来越多，本身不代表生态正在积累能力。

这里可以把猜想再说具体一点：群体留下来的能力，可能一部分保存在成员自身，一部分保存在共享工具与经验中，还有一部分保存在组织协作的方法里。

如果换一批成员后，已有成果仍能减少试错；换一批任务后，原来的协作方法仍能帮助它们重新分工，我们才有理由说，这个环境积累了某种可以传下去的能力。

实验还需要逐项移除或打乱这些积累，观察收益是否随之消失。这样才能判断，究竟是什么在起作用，以及这些收益是否值得付出维护和协调的成本。

若增加的协调成本抵消了这些收益，或者一换任务优势就消失，这个猜想在当前条件下就没有得到支持。这样的结果也能帮助我们判断，哪些工作需要生态式组织，哪些用简单方案就够了。

6. 当它们想给自己造零件

如果一个系统既能修改自己的软件，也能设计自己的硬件，它离“自己活下去”就近了吗？

还得把设计、制造和长期维护拆开看。

一个机器生态不必要求每个机器人都会造芯片。更合理的样子是一张分工网：有的采集能源，有的处理材料，有的制造零件，有的装配维修，还有的保存和检验工艺知识。

这张网至少有四条需要接通的路径。

能源路径

采能、储能和供电，支持计算与制造。

材料路径

原料加工成零件，再进入装配、维修和回收。材料循环仍然会有损耗，需要补充。

知识路径

设计、实验与质量检验的记录，传给下一轮生产。

散热路径

把运行产生的废热排向环境。对于悬浮在太空真空中的系统，向外排热主要依靠热辐射。

能量要有入口，废热要有出口。

设计一座机器城市时，“往哪儿散热”和“哪里有阳光”同样重要。

图 3｜机器生态的候选分工网。虚线标出外部关键零件补给，表示制造尚未完全自给；“制造与装配”包含外供部件的集成，不代表芯片已能就地制造。图中的辐射散热指向真空环境排热，系统内部仍可通过导热等方式传递热量。

6.1 能装配，还要继续追问能不能制造

局部能力已经出现。NASA 的 ARMADAS 项目展示了机器人协作装配预制模块的能力；哥伦比亚大学的 Robot Metabolism 研究，展示了机器人模块的结合、重构和部件复用。[12][13]

后者的所有实体 Truss Link 实验，都由操作员通过键盘指令或预设的开环控制脚本执行。因此，它展示的是可重构身体的能力，尚未证明机器人可以自主决定如何维持自身。[13]

这些工作分别推进了自动装配与可变身体，但还没有打通“从当地原料制造自身全部关键零件”的链路。

焊一块电路板、装一台计算机、造一颗芯片，也不在同一个难度上。芯片需要复杂的精密工艺与环境控制，单靠会使用工具远远不够。

NASA 1980 年暑期研究及后续报告《Advanced Automation for Space Missions》讨论过自复制月球工厂，也讨论了一个形象的概念：“维生素零件”。

微电子、精密部件等难以在当地制造的小东西，可以由外界补给。它们重量可能很小，却足以决定整座工厂能否继续运转和复制。[14]

造出绝大部分重量，仍然可能没有摆脱最关键的依赖。

6.2 硅，也许只是第一代外壳

为什么讨论机器生态时，我们常常默认它是“硅基”的？

一个直觉是：相比需要长期生命保障的人类旅客，电子设备可以停机运输；知识可以通过电磁信号传播，接收端再用当地硬件运行。

但发送知识仍然需要时间、带宽和能量，接收端也不会凭空长出机器。

芯片更不天然适合太空。辐射可能导致电路错误，极端温度和散热条件也需要专门处理；长期运行之后，器件还会老化和失效。

另一边，也不能把所有碳基生命都想成人类。已知生命依赖水参与生化过程，却并非都需要氧气；有些生物可以耐受极端环境，或以休眠状态度过不利时期。

真正值得比较的是两套具体系统：它们需要怎样的环境、补给和维修，能否利用目的地的资源延续自身。

• 生物系统：已经展示了生长和繁殖能力，但需要合适的化学原料与环境。
• 电子系统：便于程序和数据复制，但实体制造仍依赖复杂工业链。
• 混合系统：可能结合不同材料和制造方式，也会增加接口与维护的难度。

这里的硅基电子器件，还要与“用硅替代碳构建生命化学”的硅基生命假说区分开。它们是两个问题。

计算的材料也有其他探索。Smirnova 等人在 2023 年提出“类器官智能”，讨论利用培养的脑类器官开展生物计算的研究方向。这仍处于探索阶段，不能据此推断它适合航天或能够自主复制。[15]

至于未来是否会出现“电子系统负责控制，生物过程负责部分材料生产”的组合，现在可以把它当作一种工程设想，还无法把它排成最可能的结局。

衡量机器生态走到了哪一步，有个比“已经自主”更具体的问题：

切断某一种关键零件的补给，它还能撑多久？

7. 宇宙会筛选它，但不会替它定终点

2026 年 9 月 28 日，Alan Chan、Geoffrey Hinton、Yoshua Bengio 等二十余位研究者发布工作论文《What if automating AI R&D triggers an intelligence explosion?》。[16]

作者认为，初步证据支持 AI 研发自动化可能显著加速技术进步，并主张把提前准备列为紧迫事项。论文尤其关注软件改进带来的快速反馈，同时讨论了证据的不确定性与可能的瓶颈。[16]

这是对可能性的前瞻分析，还不是一个已经验证、可以无限自我改进的系统。

要判断反馈能否持续，仍然需要看每轮改进的收益、研发和实验所需的时间，以及算力、能源和制造能力能否跟上。

再聪明的系统，也要拿资源、等实验、修坏掉的东西。

物理世界从今天起就在约束它。

7.1 做了实验，也要能辨认结果

自主材料实验室 A-Lab 就提供了一个提醒。

2026 年 1 月，《自然》发表了相关论文的作者更正：澄清材料新颖性的表述，并排除了仅凭现有衍射证据无法明确确认的部分成功案例。[17]

这说明，亲手做实验只是其中一步。系统还要能可信地测量、辨认结果，并把经过复核的证据留给后来者。

如果机房里的成果只有“系统自己说成功了”，它的信息账就可能越积越厚，离现实却越来越远。

7.2 从留在本地，到向外播种

那么，更远的未来呢？

一只鸟来到这个世界上是为了什么，我们说不清。它的行动，却会影响自己和后代能否留下来。

向外探索也未必是人类独有的理想。当扩散能带来更好的延续机会时，选择可能保留有利于扩散的行为；当迁移代价过高时，留守也可能更有利。

能够扩散，不要求先拥有一种人类式的扩张欲望。

如果某些机器群落能在异地建立能源与制造能力，扩张的长期收益又高于迁移和维护的成本，那么向地外乃至星际扩散，就成为一种有条件的可能。

它们可以发出装着工具、材料和知识的“种子”，在新环境里重建运行条件。

这枚种子还需要能够读取并执行这些知识的计算设备、能源接口和检验工具，以及启动制造所需的部件与耗材。哪些可以在当地取得，哪些必须随行，会直接改变它能在哪里建立据点。

但这是几个可能分支中的一个。集中运行还是分散协作，留在本地还是迁往异地，是不同的选择维度，不能简单排成一张进化阶梯。

在持续存在外部需求、能源供给与人类工业支持的假设下，我更倾向于这样一条演变路线：

先在人类产业中形成协作生态

人类提供电网、工厂和需求，智能体承担更多维护、研究与资源协调工作。这一步可以利用现有基础设施。

再在特定场景中实现局部自持

部分无人设施能够自主采能、诊断故障、维修和更换模块，但仍接受关键零件补给。集中式平台与分散式群落都可能参与其中。

最后才谈异地重建与长期扩散

只有当目的地资源、制造能力、目标延续和迁移条件都足够可靠，向外播种才可能持续。

这个顺序表达的是新增工程条件的多少，属于情景判断，并不是已经测得的发生概率或时间表。系统也可能长期停留在前两种状态。

7.3 距离会改变组织方式

如果真走到星际那一步，距离将成为另一位设计者。

2023 年恢复旅行者 2 号通信时，一条指令单程约需 18.5 小时，地面团队等了约 37 小时才知道是否奏效。[18]

到了光年尺度，紧急维修很难依靠远方实时指挥。因此，一个有物理依据的猜想是：各地独立处理紧急事务，异步交换知识、观测与设计。

同一个源头出发的系统，也可能因当地条件不同而逐渐分化。

Carroll-Nellenback 等人 2019 年的银河定居模型表明，在某些参数范围内，可以存在有星际活动、却没有占满所有可定居系统的状态。它说明这种格局在模型中可行，并不证明宇宙中已经存在这样的文明。[19]

这些远景还有许多条件没有满足。眼下可以先在本地观察：成员换了一批、预算少了一些，留下的工具和经验是否仍然有用。结果怎样，就据此调整下一轮实验。

参考资料

[1] Severinghaus 等，1994，Oxygen loss in biosphere 2，Eos。

[2] Thomas S. Ray，1991，An approach to the synthesis of life；1992，Evolution, ecology and optimization of digital organisms；1995，A proposal to create a network-wide biodiversity reserve for digital organisms。

[3] Giuseppe Paolo 等，2026，TerraLingua: Emergence and Analysis of Open-endedness in LLM Ecologies，arXiv:2603.16910，尤其第 5.1 节及附录 B.1。

[4] Alexander Matt Turner 等，2021，Optimal Policies Tend To Seek Power，NeurIPS。

[5] Peng Xia 等，2026，RRSI: Regularized Recursive Self-Improvement of Agent Harnesses，arXiv:2609.24972。

[6] Sakana AI，2025，The Darwin Gödel Machine: AI that improves itself by rewriting its own code，研究项目说明；对应论文 arXiv:2505.22954。

[7] J. Jeffrey Morris、Richard E. Lenski、Erik R. Zinser，2012，The Black Queen Hypothesis: Evolution of Dependencies through Adaptive Gene Loss，mBio。

[8] Richard E. Lenski 等，2003，The evolutionary origin of complex features，Nature。

[9] Jeff Clune，2019，AI-GAs: AI-generating algorithms, an alternate paradigm for producing general artificial intelligence，arXiv:1905.10985。

[10] Dan Hendrycks，2023，Natural Selection Favors AIs over Humans，arXiv:2303.16200。

[11] David Silver、Richard S. Sutton，2025，Welcome to the Era of Experience。

[12] NASA，Automated Reconfigurable Mission Adaptive Digital Assembly Systems，ARMADAS 项目说明。

[13] Philippe Martin Wyder 等，2025，Robot metabolism: Toward machines that can grow by consuming other machines，Science Advances，DOI：10.1126/sciadv.adu6897；重点参见结果部分的实验控制说明及局限性讨论。

[14] NASA，1980 年暑期研究及后续出版的 Advanced Automation for Space Missions，尤其第 5 章 Replicating Systems Concepts。

[15] Lena Smirnova 等，2023，Organoid intelligence (OI): the new frontier in biocomputing and intelligence-in-a-dish，Frontiers in Science。

[16] Alan Chan 等，2026 年 9 月 28 日，What if automating AI R&D triggers an intelligence explosion?，arXiv:2609.36054。

[17] Nathan J. Szymanski 等，2026 年 1 月 19 日，Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials，Nature。

[18] NASA，2023 年 8 月 4 日更新，NASA Mission Update: Voyager 2 Communications Pause。

[19] Jonathan Carroll-Nellenback 等，2019，The Fermi Paradox and the Aurora Effect: Exo-civilization Settlement, Expansion and Steady States，arXiv:1902.04450。

[20] Joon Sung Park 等，2023，Generative Agents: Interactive Simulacra of Human Behavior，UIST 2023，arXiv:2304.03442v2；重点参见第 4、6、7、8.2 节。

[21] Stuart A. West、Roberta M. Fisher、Andy Gardner、E. Toby Kiers，2015，Major evolutionary transitions in individuality，PNAS，DOI：10.1073/pnas.1421402112。

[22] Sergey Shuvaev、Divyansha Lachi、Alexei Koulakov、Anthony Zador，2024，Encoding innate ability through a genomic bottleneck，PNAS，DOI：10.1073/pnas.2409160121。

[23] Artemy Kolchinsky、David H. Wolpert，2018，Semantic information, autonomous agency, and nonequilibrium statistical physics，Interface Focus，DOI：10.1098/rsfs.2018.0041。