问题——长期以来，公众对生命与智能起源的常见理解，多强调“随机突变+自然选择”的累积效应：偶然变化不断被筛选，最终形成更适应环境的性状；但生命起源层面，“最早能参与选择的复制体从何而来”“复杂结构如何跨越早期门槛”等关键问题仍有争论。近日，一名谷歌研究人员在学术播客《Machine Learning Street Talk》访谈中提出，计算模型中观察到的现象或许为这些难题提供另一条思路：智能与复杂性不一定只能依赖随机突变的长期积累。 原因——该研究人员介绍，团队搭建了一个类似“数字原始汤”的虚拟环境：向系统投入大量基础代码片段，让它们在既定规则下反复碰撞、组合与竞争，并将“变异率”设为零，以排除复制差错带来的随机变化。按传统直觉，缺少随机突变可能导致演化停滞，但实验显示，在高频交互和足够长的迭代后，系统出现类似“相变”的跃迁：复杂的自我复制程序在某一阶段集中涌现，并深入形成更高层级的组织结构。受访者认为，推动复杂性上升的关键不只在于“差错带来的新信息”，也可能来自“结构拼接、模块兼容与网络重组”。 影响——此观察重新引发对“共生起源”或“融合驱动复杂化”路径的关注。受访者指出，自然界的复杂系统并非总靠微小改变量的长期堆积，也可能通过“并联”和“整合”实现跃迁：不同功能模块在特定条件下形成更稳定的联合体，从而较快获得新能力。生物学界关于线粒体来源的主流观点认为，其来自远古细胞吞噬并长期共生的细菌；此外，有研究将部分与神经可塑性对应的的关键蛋白与古老遗传元件联系起来，提示生命体内存在“借用—改造—整合”的历史痕迹。受访者据此提出，“智能”可理解为生命在与环境互动中进行计算、预测与自我维持的能力，它可能在生命出现之初就以更朴素的形式存在，并在后续历史中通过融合与重组不断增强。 对策——多位受访者与讨论者提醒，应对这类结果保持科学审慎：其一，计算模型的规则设定会显著影响结论，应公开实验细节，开展可复现实验，并与不同模型进行对照；其二，“零变异”不等同于现实世界不存在随机性，真实生物系统中噪声、热涨落与环境扰动普遍存在，需要将模型观察与实验生物学、地球化学等证据交叉验证；其三，应区分“自我复制结构的涌现”与“现实生命起源”之间的差距，避免将模拟现象直接外推为自然事实。相关机构与研究团队可在开放数据、跨学科合作、模型可解释性诸上进一步明确研究规范。 前景——从更宏观的科学进展看，围绕“随机突变与自然选择”之外的补充机制，国际学界近年来持续讨论，包括网络自组织、模块化演化、水平基因转移与共生事件等。随着计算研究推进、实验手段更新，这类探索有望为理解复杂系统的涌现规律提供新的数学与物理框架，并为生命起源与进化机制研究提出可检验的假设。受访者认为，若“融合与共生”在复杂性跃迁中更为关键，未来研究将更关注“交互规则与生态结构如何塑造创新”，而不仅是单一谱系的渐变累积。
当科学探索触及生命本质命题时，每一次认知推进都在促使我们重新审视自身的来处与未来。这项研究未必会立刻改写教科书，但它提示人们：在讨论技术奇点与智能演化时，也许需要更认真地回看自然演化中那些长期被低估的机制。正如布莱斯在《什么是生命》中所言：“理解起源，才是预见未来的唯一罗盘。”