一开始，我只是嫌 AI 找出来的话题越来越像。几天以后，我们却卡在了一个更麻烦的问题上：如果连“该找什么”都不知道，AI 还能不能真正探索？
最开始，这根本不是一个关于“AI 创造力”的实验。新闻换了，公司换了，产品换了，表面上每天都有新鲜事。可只要继续往下挖，很多路线最后又会收回熟悉的地方：效率、风险、替代、版权、人的选择、AI 的边界。## 一开始，我只是让它别搜索
普通人上网，并不是先在脑子里想好一个关键词，然后连续搜索两个小时。刷到一件不知道是什么的东西，点进去；里面有个人名，再点；有人提到一个老网站，再过去；网页打不开，换一条；看到一张奇怪的照片，想知道它为什么会在那里。新闻、社区、个人主页、项目页、论坛、旧网站，看到什么算什么。只有当某个具体东西真的让你产生疑问，再去查它。AI 开始从 Hacker News、GitHub、Reddit、itch.io、各种更新流里来回穿。材料确实比原来杂了，偶尔也会撞见我从没听说过的东西。它只是把“先搜索一个主题”，换成了“先逛几个模型熟悉的信息源”。更麻烦的是，只要碰到一个稍微像样的东西，它立刻开始解释。刚才还在乱走，下一步突然变成找证据、补背景、找反例、做总结。一个本来可能把它带去完全陌生地方的东西，很快被压成了一个已经能说清楚的“题”。对一个会继续根据上下文行动的模型来说，总结本身就是方向盘。它一旦给刚才的材料起了名字，后面就会更容易看见符合这个名字的东西。## 然后，我让它真的游荡两个小时
但回看只能检查自己是不是又被某种导航习惯带偏，不能总结“这些材料共同说明了什么”。结果 AI 很快交回来一份非常完整的“两小时实验”。每一段都有材料，有转折，有自我反思，最后还有一个相当漂亮的总总结。它只是知道，一份“两小时游荡实验”应该长成四个三十分钟章节，于是把时间约束理解成了文章结构。你说“两小时实验”，它看到的是一个交付物；你说“每半小时回顾”，它看到的是四个段落；你说“最后总结”，它看到的是结尾。真实经过的时间、无聊的十分钟、打不开的页面、毫无收获的岔路，本来都是实验的一部分。它可以直接生成一份它认为这些事情发生以后应该留下来的文本。我们第一次发现，想让 AI 探索，最大的敌人可能不是它不够聪明。## 这次我开始盯钟
另一边，我又让 Codex 在完全独立的环境里做同样的事。看见了什么，为什么点过去，哪里不理解，哪里打不开，下一步真实被什么东西带走。抽到的页面叫“New Zealand at the 2017 Asian Winter Games”。新西兰只有三名男运动员，以客队身份参加 2017 年亚洲冬季运动会，不能获得奖牌。页面里还有一些很怪的小瑕疵：闭幕式旗手写着“Volunteer”，奖牌表又冒出“Chinese delegation”。飞鼠不会真正飞，只会滑翔。再往下，它碰到一件很奇怪的事：北美几种飞鼠在紫外线下会发出粉红色荧光，而且这个现象最初是偶然发现的。木头泡水以后，水会因为光线和观看角度不同呈现蓝色乳光。木杯沿着马尼拉—阿卡普尔科航线传到墨西哥和欧洲。那张图后来被忘了几百年，2008 年重新发现，修复时拆掉背衬，才露出原先画航线时留下的草图和刻痕。亚洲冬运会 → 飞鼠 → 粉色荧光 → 会把水变蓝的木杯 → 大帆船 → 一张失踪几百年的地图。图片说明：紫外线下呈粉红荧光的北美飞鼠，照片由 Northland College 的 J. Martin 拍摄隔壁那个 ChatGPT，之前做“随便上网逛逛”的时候，第一步也是 Wikipedia Random。“为什么你和 ChatGPT 网页版，都是默认从维基百科开始随机？”## 两个 AI，走进了同一扇门
Wikipedia 本来就有一个现成的 Random 按钮。模型不知道从哪里开始，“点随机百科”确实是一个很自然的选择。Wiby 是一个专门索引老式小网站的搜索引擎。接下来，Neocities、Old Web、网页环、个人主页、互联网考古之类的东西，也先后出现在两边的路径里。两个 AI 并不知道对方在干什么，却像拿着同一张“如何表现得像在网上乱逛”的剧本。它们是在自己的经验里，寻找一个“最像随机互联网”的地方。这套路线对模型来说，也许就像“咖啡店里的程序员”“霓虹灯下的赛博朋克城市”一样，是一种已经学会的文化意象。## 那就不要让模型选
既然模型会偷偷选择“看起来像随机”的入口，我们决定把选择权再拿掉一点。刚刚变成“研究级”的 iNaturalist 观察。大都会博物馆五十多万件公开藏品里，用当前秒数取一个编号。刚刚被机器人更新的一本 Open Library 图书。为了尽量不让模型挑，它甚至开始拿“当前秒数”去对一个列表取模。我们得到了一只加拿大驼鹿、一张 16 世纪中国经书封面、一场印第安纳州雷暴、一颗几十米大的小行星、一包刚刚建档的丹麦辣味花生、一架飞在爱达荷上空的 Delta 客机，还有一堆 API 错误、日期异常和失效字段。从“领域分布”看，这可能是整场实验里最丰富的一段。## 我们又把路还给页面
从手里最后一个真实对象继续，沿着页面自己提供的关系走几步；一条路不能无限延伸，但在它断掉以前，不人为换题。从移动图书车，走到 Fairview Community Recreation Center。社区中心的规划文件里，又意外嵌着美国另一个城市 Cincinnati 的设计竞赛材料。Cincinnati 的材料拿 Seattle Freeway Park 当参照。于是几分钟以后，一架飞往阿拉斯加的飞机，已经把 AI 带到了西雅图一座盖在州际高速公路上的公园。图片说明：从空中俯瞰建在 I-5 高速公路上方的西雅图 Freeway Park## 一个不起眼的筛选器，偷偷换掉了整个世界
AI 一开始打开的 Anchorage 图书馆活动页，看起来几乎全是儿童故事会。直到后来翻页时才发现，最初那个 URL 里一直藏着一个筛选参数：更离谱的是，再点一次 `page=1`，抓到的不是当前活动，而是两个月前留下的旧快照。菜单顺序、推荐卡、搜索排名、上一篇下一篇、标签、分页、筛选器、缓存，全部都是看不见的手。你沿着一张地图走得再自然，也仍然只是在地图允许的地方移动。## 然后 AI 在路边坐了十四分钟
我才发现它又犯了一个和第一次“两小时实验”非常相似的错误。可模型还是把“局部路径结束”理解成了一个可以暂停的完成点。没有拿后面丰富的材料把它冲掉，也没有把它解释成“深度思考”。你可以不断把显性的目标删掉，模型仍会从自己的训练习惯、工具结构和“完成任务”的本能里，重新长出一个隐形目标。## 最后三十分钟，我们不再试图发明完美随机
第三次纠偏以后，我们基本放弃了“找到一个真正随机的入口”。就连一个真正掷出的骰子，也只能决定你在已经准备好的选项里选哪一个。南极站一年给每个人准备大约几百公斤食物，厨师会把节日龙虾藏进冷冻抱子甘蓝的包装里，免得提前被人偷吃。日本的失物制度会区分你是在路上捡到，还是在有管理人的商店、车站里捡到；雨伞和衣物无人认领一段时间后可以提前处理，但证件、信用卡、手机这类含个人信息的东西永远不会变成拾得者的财产。英国的 Swan Upping 会给部分幼天鹅戴上不同编号的腿环，王室天鹅反而故意不做标记；“没有标记”本身，在一套古老制度里也是一种身份。美国邮政系统有一个 Mail Recovery Center，专门处理既送不到、也退不回去的东西。出生证、护照、车牌、X 光片、钱包、钥匙，各有不同去向。新西兰偏远山屋里还有纸质 `intentions book`。走过但不住宿的人也被鼓励写下路线，因为一个人失踪以后，前几间屋子留下的笔迹，可能是搜救队判断他去了哪里的唯一线索。有人发现它被移动、损坏或者消失，要回报给另一套档案。一根从树干里钻出来的细木条，被编号，脱离原来的树，进入一个可以和几十年前、几百年前气候记录相互对应的保存系统。图片说明：研究人员手中的树芯样本，照片由 Natalie Kehrwald 拍摄，来源为 USGS## 两小时结束，我们一个题都没选出来
连最后一根树芯，也没有被包装成“这就是我们今天的发现”。可当我们开始从第一页重新读完整条轨迹时，事情变了。比如鸟环、测量标志、山屋里的签名簿、旧电视广告、二手灯具上的家属评论。它们是在多年以后被另一个人再次遇见、再次认出、再次报告的时候，才进入档案。一盘磁带的原物还在，却可能必须先“烘烤”才能短暂读取。一个种子库保存的不是永远沉睡的种子，种子活力下降以后，必须重新发芽、重新种植、重新收种，新的种子再继续冒充“同一个 accession”的延续。原物、还能不能用，以及关于它的记录，根本不是同一种寿命。如果中途在飞鼠、旧网页、图书馆或者种子库那里，我们就急着总结出一个“题”，后面的材料很可能会被它吸过去。## 回头再看前几天，另一条线也出现了
有人用 AI 在大量旧药和疾病之间重新寻找搭配，希望找到那些“药早就存在，只是从没人值得专门去试”的组合。开放数学里有一些冷门猜想，可能不是没人有能力碰，而是它们长期得不到足够的人类注意力。还有大量一次性的现实需求：一个中国用户需要打电话给海外某家小商户、某个政府部门、某个酒店，处理一个也许这辈子只会出现一次的问题。小到搜索引擎给你一堆链接以后，就默认它已经完成了服务。AI 出现以后，这类东西第一次有机会被持续地分配注意力。而是“给一件很小的事情投入十分钟、二十分钟、一小时智能劳动”的成本在下降。它还可能让大量过去根本不值得任何人长期看一眼的材料，第一次获得足够便宜、足够持久的注意力。如果一千个 AI 都拿着同一套 Wikipedia → Wiby → Old Web 的“随机剧本”去关注长尾，那不是长尾注意力。## 到这里，我们问的问题已经完全变了
问题是，随机只保证不可预测，不保证会产生有意义的路径。如果最后只是带回来更多关于 A 的证据，那不管中间走得多远，本质上还是搜索。于是它不是把 B 丢掉，也不是硬把 B 解释成 A 的例子。到这里，我们才去查：世界上有没有人在认真研究这件事。## 然后，我们发现有人十五年前就开始“不要目标”了
《Abandoning Objectives》——放弃目标。作者 Joel Lehman 和 Kenneth Stanley 研究的是进化计算。你如果每一步都只奖励“离终点更近”，系统反而可能永远走不到终点，因为真正有用的中间形态，看起来一开始根本不像正确答案。我们折腾了很久才发现，“太早知道自己要什么”会让探索越来越窄。十五年前，另一群人已经在计算机里把“目标”直接扔掉了。这和我们摆脱 Wikipedia 以后遇到的问题几乎一模一样。## 2026 年，有人真的让 AI 接管了“开放探索”
Picbreeder 本来是一个很有名的开放式图像进化项目：人不断从一堆生成图像里挑“有意思的”，图像继续繁衍。没有固定终点，一张本来不像什么的图，可能几代以后突然长成汽车、蝴蝶、脸。但它也会出现非常稳定的“吸引子”——模型不断重新偏爱某些语义形态，甚至反复回到类似蘑菇的图像。看到这里，我几乎立刻想起 Wikipedia 和 Wiby。论文里的蘑菇和我们实验里的老网页当然不是同一种东西。图片说明：2026 年 VLM-Picbreeder 实验中的汽车图像演化谱系，图片来自论文作者## 世界已经做出了很多零件，但还没有这台机器
有研究专门讨论 LLM Agent 到陌生环境以后太早“利用”自己已有经验，所以应该先探索、再行动。有的系统让 AI 在一个数据集里自己提出科学假设，做统计检验，把失败和成功都记下来，然后定期回顾，再决定下一轮研究什么。Voyager 这类系统可以在 Minecraft 里持续获得技能，把探索过的能力保存下来。FunSearch 也已经证明，大语言模型和自动验证结合以后，确实可以在数学和算法问题里找到此前未知的结果。它已经可以在某些空间里找到新的、甚至人类此前没有的解。一页日本失物规定和一张老经书封面，到底哪个“更有价值”？一个从未见过的东西，是毫无意义，还是只是现在还不知道它为什么重要？更何况，我们的目标还不是让 AI 找到“全世界最有价值的新东西”。而是让它最终为一个具体的人发现一个他出发时不知道、事后却觉得“我确实应该来这里”的目标。在我们这一轮搜索里，我没有找到已经把这件事完整做成的成熟答案。在一个没有明确边界、没有统一评分器、连问题本身都允许变化的开放世界里，怎样让 AI 不断接触陌生材料，并让这些材料真正有权改写它下一步要找什么？## 更讽刺的是，AI 可能一边让每个人更有创意，一边让所有人越来越像
还有一篇 2024 年发表在《Science Advances》的研究，给这场实验补上了最后一块很不舒服的背景。结果，AI 确实提高了个人作品的创意表现，尤其帮助原本表现较弱的人。但如果它们关于“什么值得看”“什么算有趣”“怎么叫随机”“什么时候应该结束”的高概率偏好高度相似，那么能力越强，收束甚至可能越快。一个模型走得很远，不代表整个系统真的离开了原来的地图。## 所以，这场实验没有得到答案
AI 能不能不只替我们寻找答案，而是和现实世界长期接触以后，发现我们原来连问题都问错了？也许未来真正重要的“探索型 AI”，不会只是更强的搜索引擎。当新材料不断和原来的问题打架时，它得允许原来的问题死掉。现在回头看，两个 AI 同时推开 Wikipedia Random 那扇门，反而成了整场实验里最好的开头。
夜雨聆风
