当AI智能体重建互联网最具创意的实验时，它们丢失了什么

在21世纪初，一个名为 Picbreeder 的网站允许用户在没有明确目标的情况下协作进化图像。人们仅仅挑选他们觉得有趣的图片，经过多代和多人的共同努力，面部、动物、车辆和骷髅等形象从本质上是一种共享的视觉空间漂流中涌现出来。该网站后来下线了，但它提出的问题并未消失：是什么让开放式探索得以运转，机器能做到吗？

Sakana AI 与 MIT 和 NYU 的研究人员合作，从头开始使用视觉-语言模型智能体重建了 Picbreeder，并将结果发表在 GECCO 2026 的一篇论文中，标题为《寻找开放式要素：用大型视觉-语言模型复现 Picbreeder》。该论文已获得最佳论文奖提名。实验设置是对原始设计的直接移植：一个共享的图像档案库、负责挑选图像进行衍生的智能体、进化出新候选者、发布喜爱的作品，并互相评价作品。没有目标图像，没有进步的定义，只有一个由智能体组成的社群来决定哪些值得保留。

实验旨在测试 VLM 是否能再现 Kenneth Stanley 等人认为对人类创造力至关重要的那种开放式发现。简而言之，答案是：在特定可控条件下，VLM 可以接近这种创造力，但它们会遇到人类不会遇到的上限。

熟悉的暴政

与人类相比，VLM 智能体倾向于回到同类图像和概念上。它们反复选择相似的父代，做出的概念性跳跃更小，并且常常完善一个现有想法，而不是放弃它以寻找真正意想不到的东西。论文描述了智能体如何注意到一个有趣的模式，然后锁定它，逐渐优化一个视觉母题，直到它成为渐进完善的死胡同。

这种行为之所以重要，是因为 Picbreeder 最初的魔力恰恰相反：人类用户将每一张有趣的图像视为垫脚石。一个用户可能进化出一张脸，然后，毫无计划地，另一个用户将这张脸带向完全不同的方向。这个过程依赖于用户愿意放弃一条有前途的探索路线。相比之下，VLM 智能体似乎不愿意放弃它们已经认为有前途的东西。

个性改善探索

引入多样化的智能体个性群体显著改善了结果。当智能体被赋予不同的行为先验（一些更倾向于探索，一些更保守）时，系统在语义多样性上有所提升。在某些运行中，这些多样化群体在语义覆盖指标上接近甚至匹配了人类档案库，并生成了更平衡的进化树。这表明，在集体层面上，品味的多样性可以弥补单个智能体固着于某一模式的倾向。

论文还报告说，进化出的表征比通过直接梯度优化产生的表征更鲁棒。由智能体进化出的一个骷髅，在其底层神经表征受到扰动时变化平滑，比通过梯度下降直接优化的骷髅更少断裂。但它在平滑度上仍然落后于人类进化出的表征，这表明人类协作引入了一种当前 AI 无法复现的正则化形式。

存在的差距

也许最有趣的结果不是智能体做了什么，而是它们在哪里停下了。人类似乎更擅长将幸运的意外转化为持续的创造性发现：认识到何时一些意想不到的东西值得追求、完善它，然后做出更大的概念性飞跃。AI 智能体也常常注意到有趣的模式，但更有可能被困在其中。论文将此视为该领域的一个开放性问题。

“我们仍然不完全理解是什么让人类能够以这种方式进行开放式搜索，或者当前 AI 系统缺少了什么要素，”作者写道。“就目前而言，结果表明人类创造力中仍然有一些重要的东西，AI 智能体尚未学会复现。”

这项工作补充了 Sakana AI 在其他领域关于集体智能的持续研究，例如 可自我识别形状的模块化机器人砖块 和 Fugu 多智能体编排系统。在这两个案例中，经验是多个简单智能体之间的协调可以产生复杂的结果，但 Picbreeder 实验增加了一个转折：仅靠协调可能不足以产生创造力。可能有一个缺失的要素与模型规模或架构无关，而完全与放弃一个有效想法而采纳一个不确定想法的意愿有关。