Sakana AI的研究团队开发了"数字红皇后"(DRQ)算法，在Core War游戏中模拟程序进化。通过大语言模型驱动，程序在对抗中不断演化出更复杂的生存策略，如自我复制、数据轰炸等，展现了类似生物进化的动态过程。这项研究揭示了在共享地址空间的图灵完备环境中，程序通过自我修改产生的混沌演化行为。

Sakana AI研究：基于大语言模型的"数字红皇后"程序进化实验

核心内容： 1. 研究背景 - 以1984年问世的编程游戏《核心战争》(Core War)为实验平台，该游戏中被称为"战士"的汇编程序在虚拟计算机内存中相互对抗 - 传统玩法是开发者使用专用汇编语言Redcode编写程序，通过自我复制、数据轰炸等策略使对手程序崩溃

2. 创新方法

• 提出"数字红皇后"(DRQ)算法，受生物学"红皇后假说"启发（物种必须持续进化才能维持相对适应性）
• 采用多轮对抗进化：首轮生成基础战士，次轮生成能击败首轮战士的新程序，依次迭代形成程序谱系
• 通过大语言模型驱动程序进化，而非传统人工编码

3. 关键发现

• 随着迭代轮次增加，程序展现出更通用的鲁棒性策略
• 不同初始条件的独立实验最终收敛到相似功能（而非相同代码），呈现"趋同进化"现象
• 涌现出自修改代码、多线程攻击等复杂策略，模拟了生物进化中的军备竞赛动态

4. 研究意义

• 为研究AI系统在网络安全等对抗环境中的进化提供安全沙箱
• 核心战争图灵完备的特性允许研究任意复杂策略的进化
• 未来可扩展至人工生命、药物设计、市场生态等领域的多智能体模拟

技术细节： - 可视化系统支持交互式查看Redcode汇编指令 - 已开源代码（GitHub）并发布技术报告（含arXiv版本） - 与MIT合作完成，展示两个典型战士程序案例： * 环形战士增强版v9 * 螺旋轰炸机优化版v22

这项研究将经典编程游戏转化为AI进化实验平台，通过受限环境中的程序对抗，揭示了算法层面"适者生存"的进化规律，为理解现实世界中的AI竞争动态提供了重要参考。

（注：已剔除招聘信息等非研究核心内容，保留技术细节和关键发现）

这篇评论主要围绕Sakana AI和MIT团队将大语言模型（LLM）应用于经典编程游戏Core War的研究展开，包含以下观点：

1. 研究创新性（作者hardmaru）：

   • 使用LLM作为变异算子，结合MAP-Elites算法，构建了名为"Digital Red Queen"的对抗性进化循环
   • 关键发现：观察到独立实验中出现了趋同进化现象，产生的战士对人类编写的策略也表现出鲁棒性
   • 引用："We treated the LLM as a mutation operator within a quality-diversity algorithm"
   • 引用："The populations consistently gravitated toward similar behavioral phenotypes"

2. 方法新颖性质疑（作者GuB-42）：

   • 指出在Core War中使用进化算法并非新概念，质疑与现有方法的比较
   • 引用："Using evolution in the context of Core War is not a new idea by far"
   • 引用："I wonder if the authors tried some of the existing 'evolvers'"

3. 性能验证需求（作者pkhuong）：

   • 建议在标准竞赛环境中测试输出结果，特别是针对小型格式的战士
   • 引用："How does the output fare on competitive hills"
   • 引用："The best results...have been on the nano and tiny format"

4. 怀旧情绪（作者JKCalhoun）：

   • 表达对早期计算机娱乐黄金时代的怀念
   • 引用："What a lovely period of time...when 'Computer Recreations' ran monthly"
   • 引用："It was a time when you coded simply for the fun of it"

研究团队提供了论文、代码等开源资源链接，而评论者则从创新性验证、性能测试和历史回顾等角度进行了讨论。