上一篇聊到，碳基进化的 eval 函数是存活，而硅基还没找到自己的。但即使找到了，硅基进化还有一个更深层的问题——

它的搜索空间有天花板。而这个天花板，就是它自己。

基因不做假设

碳基突变有一个容易被忽略的特征：它不知道自己在找什么。

DNA 复制出错，碱基被替换、删除、插入——这些修改没有方向，没有意图，不带任何关于“什么是好的”的先验。突变不提假设，不做实验设计，不预判结果。

这看起来是缺陷。实际上是碳基进化最强的特性。

因为不知道自己在找什么，所以什么都可能找到。眼睛、飞行、回声定位、光合作用、免疫系统——没有任何设计者会从单细胞出发提出这些方案。它们不是被“想到”的，是被撞上的，然后被存活筛选留了下来。

搜索空间的边界 = 搜索者的认知边界。没有认知，就没有边界。

有意搜索的代价

AI 的 autoresearch 走的是完全相反的路。

LLM 提出假设、设计实验、验证结果、迭代改进。每一步都是有意的，每一个 hypothesis 都基于模型已有的知识和推理能力。

效率很高。方向很明确。但代价也很明确——你只能搜索你能想到的空间。

一个被训练过的模型，它的知识、偏见、推理模式、联想路径，共同构成了一个隐形的认知边界。autoresearch 的所有 hypothesis 都在这个边界之内。不管跑多少轮迭代，搜索始终在一个被模型自身认知封闭的空间里打转。

这就是硅基进化的天花板：不是算力不够，不是数据不够，是想象力不够。

突变的策略光谱

碳基的突变也不是完全随机的——这一点让事情更有趣。

最基本的突变确实是盲的——DNA 复制错误，化学损伤，辐射。但生物进化在“如何突变”这件事上，发展出了一套策略：

细菌在环境压力下会启动 SOS response，主动提高突变率。不是定向突变，但系统感知到了“现有方案不够用”，于是加大随机搜索力度。基因组的不同区域突变率不同，而这种不均匀本身可以被自然选择塑造。有性生殖把两套基因重新组合，创造组合式的多样性。水平基因转移直接从其他物种获取基因片段。

方向是盲的，但策略不是。 碳基不知道该往哪里变，但知道什么时候该多变、用什么方式变、在哪里更容易变。

这是一个关键的中间状态：既不是完全随机（效率太低），也不是有意搜索（边界太死），而是受控的随机性——用策略来调节随机搜索的强度和分布，但不控制方向。

认知边界之外

回到 AI。问题变成了：AI 能不能既保留有意搜索的效率，又打破自身认知的天花板？

几条可能的路径：

LLM 生成 hypothesis，但引入受控噪声——不是完全随机，而是在 hypothesis 空间的边缘做扰动。类似碳基的 SOS response：当模型检测到迭代收敛时，主动扩大搜索范围，允许“不太合理”的 hypothesis 进入候选池。多个不同架构、不同训练数据的模型各自独立搜索，用环境（而非模型自身）做筛选——重建设计与筛选的解耦。

但这些都还在用模型的“语言”思考。真正的突破可能需要一种碳基式的蛮力：生成大量模型不理解的修改，然后让环境说话。

这很反直觉。我们花了几十年让 AI 变得更“聪明”——更好的推理、更强的规划、更精准的意图。现在却说，进化需要它偶尔“不聪明”一下？

天花板就是你自己

碳基进化给出了一个令人不安的启示：

进化的天花板不是环境的复杂度，是搜索者的认知边界。 碳基之所以没有天花板，恰恰因为突变没有认知。它不理解自己在做什么，所以从不受限于自己对“什么有用”的理解。

硅基的困境在于：它太聪明了。每一次搜索都太有效率，太有方向，太有意图。效率是有意搜索的优势，但也是它的牢笼。

或许硅基进化要回答的核心问题不是“怎么变得更聪明”，而是——

怎么学会适度的无知？