四句话讲清整件事
- 重构目标。把"预测下一个字"改成预测一个行动的干预结果（P(结果 | do(行动))）以及反事实差值（当初换个行动会怎样）。这对应 Judea Pearl 因果阶梯的第 2、3 层。
- 有一堵墙。因果层级定理告诉我们：几乎不可能从纯观察数据里凭空推出干预/反事实答案。这不是工程难题，而是信息层面的守恒律——今天的 LLM 就困在第 1 层。
- 钥匙在数据。要爬上阶梯，必须把干预与反事实写进 token 流本身。而一个可控、可"读档回放"的模拟器，是唯一能免费、无限地生产这种数据的地方。
- 用演化来检验。在一个有限资源、有限寿命、优胜劣汰的多智能体世界里，若"会预测干预、会反事实推理"的个体能把基因/策略更大概率传下去，就说明因果能力被自然选择偏好——而这，正是可以做成 MVP 去证伪的猜想。
因为它把三条本来分开的前沿——因果推断（Pearl / Schölkopf）、世界模型（LeCun 的 JEPA、Dreamer、Genie）、开放式演化（ALife / Neural MMO / Era of Experience）——用一根逻辑主线串了起来：模拟器不是玩具，而是唯一能合法生产"观察数据里没有"的那部分因果信息的引擎。下文会给出这条主线的严谨依据、已有的 2025 年实证锚点、数据与验证方法、以及一个 90 天可证伪的创业路径。
为什么"预测下一个字"还不够
大语言模型做的事，本质上是一件事：给定前文，预测下一个 token 的概率分布。这让它成为一台惊人的关联机器——但"关联"只是因果世界的最底层。
Judea Pearl 用一座三级阶梯刻画了"理解世界"的三种层次。它们不是难度递增的同类问题，而是三种本质不同的问题，需要三种不同的信息才能回答。
关键在于最后一层。反事实问的是一件在现实中永远无法同时观测的事：同一个个体、同一时刻，既做了 x′、又改做 x 的两种结局之差。这正是人类"后悔""归因""责任""如果当初……"背后的心理机制，也是任何真正的决策智能绕不开的能力。
公鸡打鸣和日出高度相关（L1）。但让公鸡闭嘴，太阳照升（L2 干预）。而"如果昨天那只已经打鸣的公鸡当初没叫，太阳还会升吗"（L3 反事实）——要回答它，你得有一个能"倒带重放同一个世界、只改动一个变量"的机制。观察再多次日出与鸡鸣的共现，也变不出这台倒带机。
那堵墙：因果层级定理
这不是"再多堆点数据、再大点模型"就能翻过去的坡，而是一道信息层面的守恒律。理解它，才能理解为什么"因果 token 化"必须从数据下手，而不是从架构下手。
因果层级定理（Causal Hierarchy Theorem, CHT）——由 Bareinboim、Correa、Ibeling、Icard 等人形式化——粗略地说：对几乎任意一个结构因果模型（SCM），仅凭第 1 层（观察）分布，无法唯一确定第 2、3 层（干预、反事实）的答案。换句话说，总存在两个 SCM，它们产生的观察数据一模一样，却对"如果干预会怎样"给出不同预测。低层的数据里，根本不含高层问题的答案。
因为答案缺失是结构性的，不是统计性的。样本无穷多也不行——你观测的是 P(Y|X)，而问题问的是 P(Y|do(X))；两者一般不相等（除非满足可识别性条件，如无混杂、有合法工具变量或后门集）。要么补上额外假设（一张你相信的因果图），要么补上额外数据（真实的干预/实验数据）。天下没有免费的因果。
这把"LLM 到底懂不懂因果"的争论一刀劈开。Zečević 等人在 Causal Parrots（2023）里给出了一个清醒的诊断：LLM 之所以能"谈论"因果，很可能是因为它的语料里本来就写着大量因果事实（人类把因果结论写进了文本）。模型是在复述一个"关于因果事实的元分布"，而不是在计算因果。会背"吸烟致癌"，不等于会算"让这个人戒烟，他的风险变化多少"。
既然低层数据装不下高层答案，那么想让模型学会干预与反事实，就必须把干预与反事实的信息，显式地放进训练数据（token 流）里。问题随即变成：这种"自带 do 与反事实"的数据，从哪里来？——答案，指向一个你能亲手掌控并反复读档的世界。
因果 Token 化到底是什么
一句话：不改变"预测下一个 token"这个训练机器，只改变 token 流里装的是什么。当 token 序列里显式地写着"做了什么干预、结果如何、以及同一世界换个做法会如何"，"预测下一个 token"就自动变成了"预测干预结果"和"预测反事实"。
落到实处，一条训练样本大致长这样（示意）：
⟨obs sₜ⟩ ⟨do aₜ⟩ ⟨next sₜ₊₁⟩ ⟨reward rₜ⟩ … ⟨cf-replay seedₜ⟩ ⟨do aₜ′⟩ ⟨cf-next s′ₜ₊₁⟩ ⟨Δ⟩
注意：这与"把强化学习当序列建模"（Decision / Trajectory Transformer）是近亲但不同。后者把〈回报、状态、动作〉token 化后做自回归，靠条件（conditioning）生成动作；而因果 token 化坚持的是干预（intervening）与反事实——这一步的差别，正是下一节两篇 2025 年工作分野的地方。
已被 2025 年验证的两个锚点
"用下一个 token 预测去学因果"不是一个我提出的空概念——2025 年有两篇针锋相对却互补的工作，恰好把边界画得清清楚楚：纯观察，只到 L1；把 do 与反事实写进 token，就能上 L2/L3。
Butkus 等，《Causal Discovery and Inference through Next-Token Prediction》（NeurIPS 2025）
他们把线性高斯 SCM 的干预数据（含 do 算子）和反事实推断示例编码成字符串，训练一个 12 层 GPT-2 式模型做纯 next-token 预测。结果：模型学到的不是记忆，而是一套通用的因果推断算法——它能对训练时只见过干预数据、从没见过反事实的新 SCM，正确回答反事实查询。线性/MLP 探针能从残差流里以 >90% 精度解出 SCM 权重；反事实均值/标准差的绝对误差低至 ~0.01–0.03（接近编码精度上限）。
→ 结论：next-token 预测器完全有能力爬到 L2/L3——只要数据里真的含有 do 与反事实。
《A Causal World Model Underlying Next Token Prediction》（arXiv:2412.07446, 2025）
他们把 GPT 的注意力矩阵与结构因果模型建立数学对应，在 Othello、国际象棋这类纯观察（合法棋谱）上训练，并用零样本因果发现算法从注意力里重建因果图。发现很漂亮：模型确实隐式恢复了博弈的因果结构，且"因果结构置信度"越高、越守规则。但作者明确承认：这套框架只支持 rung-1 推断（关联/条件独立），并未证明干预或反事实能力。
→ 结论：纯观察数据里，next-token 最多学到因果"骨架"，学不到干预/反事实——正好是 CHT 那堵墙的实证回声。
瓶颈从来不是架构，而是数据。Transformer + next-token 这台机器，天花板足够高（锚点 A 已证到 L3）；限制它的是"训练语料里到底有没有真正的干预与反事实"（锚点 B 说明纯观察不够）。于是唯一的问题变成：去哪弄一座能无限、廉价、带真值地生产干预与反事实数据的矿？
模拟器 = 无限的干预/反事实数据引擎
这是全篇的枢纽。"模拟大自然"听上去像一个浪漫的支线，其实它是整条逻辑链上唯一能合法生产 L2/L3 数据的地方。理由只有两条，但都很硬。
- 干预是免费的。在你自己写的世界里，你可以对任意变量执行 do(a)——强制一个智能体做某件事、强行改变一处资源、掐断一条因果箭头，然后观测下游。真实世界里做一次干预要跑一次昂贵且有伦理约束的实验；模拟器里，它只是一次函数调用。
- 反事实也是免费的。因果推断的"根本难题"是：对同一个体，你永远只能观测到一种结局，另一种（反事实）已随时间永久丢失。但在模拟器里，你保存了随机种子（exogenous 噪声）——于是可以"读档"：回到同一时刻、同一世界、同样的隐变量，只改动一个行动，重跑。Pearl 的溯因—行动—预测三步，在模拟器里就是"存档—改一步—重放"。
值得强调：这个闭环也正是 David Silver 与 Richard Sutton 在《Welcome to the Era of Experience》（2025）中描绘的范式转移——让智能体从自己与世界互动产生的经验流中学习，而不是从人类写好的静态语料里模仿。因果 token 化，给这条经验流补上了它最缺的两味：do 与反事实。
设计一个"数字自然"：生存 · 资源 · 遗传
现在把引擎具体化成一个能跑的世界。它的每条规则都不是为了好玩，而是为了制造选择压力——让"会不会因果推理"变成一件生死攸关、因而可被演化衡量的事。
为什么"会因果推理"可能被选择出来
这不是凭空的类比。进化生物学里的社会脑假说 / 马基雅维利智能假说认为：正是社会互动的复杂性（预测同类、结盟、欺骗、反欺骗）驱动了灵长类大脑的膨胀。而预测"我若这样做，对手会如何反应""要是我当初没背叛，联盟还在吗"——本质上就是干预与反事实推理。于是有了一个可检验的形状：
核心猜想与可证伪的子猜想
一个好的研究纲领，必须能被杀死。下面先给出一句可以钉在墙上的核心猜想，再把它拆成四个由"已被部分证明"到"最危险"的子猜想，每个都配一个明确的证伪信号。
在一个可控、可回放的世界里，对〈行动、干预结果、反事实回放〉token 化后的经验做序列预测，会自发长出一个可迁移的因果世界模型（能正确回答 do(·) 与 what-if）；并且这种因果能力，会可测量地提升智能体在多智能体生存竞争中的广义适合度。
| 子猜想 | 主张 | 度量 | 证伪信号 | 现有证据 |
|---|---|---|---|---|
| C1 因果可学性 | 把 do 与反事实写进 token，模型的干预/反事实精度显著超过纯关联基线。 | 干预、反事实的绝对误差 vs 观察基线；探针能否解出结构。 | 注入 do 数据后，仍无法在干预预测上超过关联基线。 | 强 Butkus 2025 玩具版已证 |
| C2 机制而非记忆 | 对没见过的干预与世界配置也能正确外推——学到的是算法，不是查表。 | OOD 干预/反事实误差；跨世界泛化；机制可解释性探针。 | 只会插值，换一个世界/未见干预就崩。 | 中 已泛化到未见 SCM 反事实 |
| C3 适合度优势 （演化 claim） | 同一生态里，因果型智能体的谱系存活/后代数显著高于关联型与 model-free 型，且随复杂度出现阈值 τ。 | 谱系存活曲线、后代计数、资源占有；τ 的位置。 | 无可测优势；或优势其实来自奖赏设计而非因果能力。 | 弱 最具原创性的空白 |
| C4 因果 sim-to-real （龙） | 模拟世界里学到的因果能力，迁移到真实/半合成的决策任务上仍然有效。 | 真实决策域上的干预决策质量、反事实预测校准度。 | 换到真实分布后因果能力完全失效。 | 未知 开放问题 |
C1、C2 已被 2025 年的工作大幅去风险；C3 是最有新意、也最适合 MVP 去抢的空白；C4（因果的 sim-to-real 迁移）才是真正决定这条路能否通向真实价值的关键，而它目前没有答案。任何声称"训练个模拟世界就能解决现实因果决策"的说法，都是在跳过这条龙。本报告的立场是：先在你完全掌握真值的世界里把 C1–C3 做扎实，再分阶段、带验证地逼近 C4——而不是假装它不存在。
如何准备数据
因果 token 化的数据配方，核心不是"多"，而是"覆盖"。CHT 的那堵墙，会原封不动地出现在你的数据集里：如果某个变量你从没干预过，模型就永远学不会对它的 do。
每条经验记录什么
episode = [ (obs sₜ, action aₜ, do_flag, next sₜ₊₁, reward rₜ, death, lineage_id, rng_seed) , … ]
其中三个字段最关键：do_flag 标记这一步是"自然发生"还是"被外部强制干预"；rng_seed 记录该时刻的外生随机噪声，这是日后能做反事实回放的唯一凭据；lineage_id 记录血缘，用来在演化实验里追踪基因/策略的存留。
| 数据类型 | 阶梯 | 怎么生成 | 为什么必须有 |
|---|---|---|---|
| 观察轨迹 | L1 | 让智能体自由行动，如实记录 (状态→动作→结果)。 | 打底：学到关联与世界的因果骨架（锚点 B 已证纯观察能到这里）。 |
| 干预轨迹 | L2 | 随机干预（强制随机动作，保证探索与可识别性）+ 主动干预（对特定变量做 do）。 | 没有 do 数据，就没有 do 能力。随机干预尤其重要——它是打破混杂、拿到可识别因果量的黄金标准（等价于"随机对照试验"）。 |
| 反事实对 | L3 | 取一条已发生轨迹，用同一 rng_seed 回放，只改动某一步的动作，得到成对 (事实, 反事实)。 | 提供 L3 的直接监督信号与评估真值。真实世界永远拿不到这种成对数据——这正是模拟器的独门红利。 |
| 安慰剂/对照 | — | 随机化的"假干预"、打乱变量命名的对照集。 | 防止模型用机械记忆或伪相关"作弊"（见第 09 节的反面校验）。 |
先从单智能体、全可观测、低维、干预充分的世界起步（此时几乎一切因果量都可识别，便于拿干净的 L2/L3 真值做验证），再逐步加入多智能体、部分可观测、外生冲击。这样每一步的能力增长都能被干净地归因，也让 C1→C2→C3 的验证有清晰的推进次序。衡量数据质量的第一指标不是 token 数，而是"干预覆盖度"：每个可干预变量、每个关键状态区域，是否都有足够的 do 样本。
如何验证：接近还是偏离
这里是与普通语言模型评估最不一样的地方。普通 LM 只能比困惑度；而你，因为手里握着模拟器的真值，可以逐阶梯、逐轨迹地量出"模型的因果预测离世界的真实因果有多远"。"接近还是偏离"不是感觉，而是一个可以算出来的数。
| 能力 | 验证问题 | 真值从哪来 | 指标 | 判据 |
|---|---|---|---|---|
| L1 关联 | 能否预测"自然会发生什么"？ | 留出的观察轨迹 | 留出似然 / 下一步预测准确率 | 必要不充分：过了只说明没跑偏，不代表懂因果 |
| L2 干预 | P(Y | do(X)) 预测得准吗？平均处理效应（ATE）恢复得对吗？ | 留出整段干预：训练时不给这个 do，评估时现场在模拟器里执行它取真值 | 干预分布误差、ATE 误差、决策后悔值（regret） | 显著优于"仅观察"基线 = 真的会 do |
| L3 反事实 | "当初换个做法会怎样"预测得准吗？ | 同种子回放给出的逐轨迹反事实真值（金标准，仅模拟器独有） | 逐轨迹反事实误差、方向正确率、校准度 | 反事实误差随"有反事实训练"下降，且优于插值基线 |
| 泛化 | 换个没见过的世界/干预还成立吗？ | 未见过的世界配置 / SCM（仿 Butkus 留出反事实查询） | OOD 误差、机制探针精度 | OOD 不崩 = 学到机制而非查表（C2） |
| 不变性 | 干预造成分布漂移后，预测还稳吗？ | 多环境/多干预下的同一机制 | 跨环境不变性（对标 ICP，Peters & Bühlmann） | 真因果关系应在干预下保持不变 |
| 适合度 （C3） |
因果能力真的更能活、更能传基因吗？ | 同生态多臂 A/B：因果 vs 关联 vs model-free | 谱系存活曲线、后代数、资源占有、阈值 τ | 显著存活优势，且能排除"奖赏设计"的解释 |
好指标最容易骗人。至少做三件事：①安慰剂干预——对不该有因果效应的变量做 do，模型应预测"无效应"，若它照样编出效应，说明在幻想因果。②打乱变量命名——防止模型靠符号记忆而非结构推理（Butkus 的做法）。③对抗反事实——构造与训练分布最不像的 what-if，看它是外推还是崩溃。记住 Causal Parrots 的教训：能说对因果，不等于能算对因果——务必用只有算得对才能过的题去考它。
优点 · 缺点 · 机会 · 风险
把话摊开讲。这条路有一个别人难以复制的结构性优势，也有一条谁都还没驯服的龙。
优势 Strengths
- 模拟器提供无限、带标签、含真值的干预与反事实数据——正是 CHT 断言"观察数据里没有"的那部分。
- 评估客观：手里有反事实金标准，"对不对"能算成一个数，而非靠人评。
- 数据护城河来自世界引擎，而非爬取的文本——难被简单复制。
- 站在 2025 已验证成果（C1/C2）之上，起点不是零。
劣势 Weaknesses
- 因果 sim-to-real（C4）未被证明——这是真正的龙。
- 玩具世界的因果能否 scale 到高维、丰富语义，未知。
- "每条序列一个 SCM"式的表示可能泛化脆弱。
- 适合度/奖赏设计困难，易出现规格博弈（specification gaming）。
- 开放式演化算力开销大；C3 的因果优势难与其他因素干净隔离。
机会 Opportunities
- 世界模型被广泛视作LLM 之后的下一跃（LeCun / Genie / model-based RL）。
- 决策类场景价值巨大：运营、供应链、定价、实验设计、机器人、自主 agent。
- 与"经验的时代"大势高度契合，顺风而非逆风。
- "评估即产品"：一个能答 do 与 what-if 的因果决策引擎本身就是卖点。
威胁 Threats
- 大厂高速推进世界模型/ALife（DeepMind Genie、Meta JEPA、Sakana ASAL），可能被吞并或抢跑。
- 押注单一归纳路径：邻近押注（纯 JEPA、纯 model-based RL）可能先到。
- "因果"主张极易被夸大，一旦兑现不了会反噬信任。
- 能反事实推理的自主体带来新的安全与治理问题。
相关工作地图：你不是一个人在战斗
这个构想坐落在五条正在汇流的河流的交点上。看清它们，既是站在巨人肩上，也是认清谁可能先到。
Pearl 的因果阶梯与因果层级定理立起了整套语言；Rubin 的潜在结果框架给了反事实的统计形式；Schölkopf 的因果表征学习追问"如何从数据里学出因果变量与机制"；Peters & Bühlmann 的不变因果预测（ICP）给了跨环境验证的抓手。→ 提供理论地基与验证判据。
Decision / Trajectory Transformer 把〈回报·状态·动作〉token 化做自回归——最接近的近亲，但靠"条件"而非"干预"，在随机环境里可能被回报的偶然性误导；Dreamer（潜空间想象）与 MuZero（可规划的学习模型）会预测行动结果，但通常不做同种子反事实、也不暴露显式因果结构。→ 证明"行动可 token 化"，也标出因果化尚缺的一环。
LeCun 的 JEPA / 能量模型 / 自主机器智能主张在潜表示空间里做"行动条件下的预测 + 规划"，并明确认为纯自回归 token 预测不足以支撑稳健世界模型；DeepMind Genie 系列展示了可动作控制、可游玩的生成式世界模型。→ 与本构想同源，且 Genie 类系统本身可充当数据引擎。
Butkus 等（NeurIPS 2025）正面证明 token 化 do+反事实可让 next-token 学到通用因果推断；arXiv:2412.07446 反面标出纯观察只到 rung-1；Causal Parrots 警告"会谈因果 ≠ 会算因果"。→ 本报告中心论点的直接实证锚点。
Neural MMO（大规模生存）、Melting Pot（社会困境与泛化）、AI Economist（经济体）提供多智能体生态；ASAL 用基础模型自动搜索并度量开放式/新奇性；Evolution Through Large Models、FunSearch、AlphaEvolve、ShinkaEvolve 把 LLM 当演化算子；POET 与 novelty search 给出"共演化环境与智能体、不设死目标"的开放式方法论。→ 现成的世界与演化工具箱。
更大的图景：经验的时代
把镜头拉到最远，这件事是一次范式转移的一个具体切口。
Silver 与 Sutton 在《Welcome to the Era of Experience》（2025）里说：下一代智能不会主要靠模仿人类写下的静态数据，而会靠与世界互动产生的经验流，以及接地的（grounded）奖赏来学习。Sutton 更早的《苦涩的教训》则反复提醒：能利用算力去搜索与学习的通用方法，终将胜过手工雕琢的知识。
把这两条放在一起，本报告的主张就有了它的历史位置：与其手写因果图，不如让一个大模型在海量、可干预、可回放的模拟经验里，自己长出因果。因果 token 化，正是把"经验流"升级为"可做实验的经验流"的那一步。
大语言模型学会了世界怎么"说"。
下一步，是让模型学会世界怎么"动"，以及它本可以怎样"不同"。
MVP 与 90 天验证
好消息：这个构想的 MVP 天生便宜且干净。因为世界是你写的，真值免费；因为猜想已拆成带证伪信号的子命题，每一步都能明确回答"继续还是收手"。
最小可行闭环
一个小的、全可观测、可控的多智能体网格"培养皿"（有限资源 + 有限寿命 + 带变异的繁殖）→ 把每个 episode 按因果 token 化记录（含显式 do 与同种子反事实回放）→ 训练一个决策/世界 transformer → 对着模拟器真值逐阶梯评 L1/L2/L3 → 在同一生态里做智能体 A/B。整套东西一两个人、几张卡即可跑起来，且每个环节都对应一个上文定义好的指标。
可控世界 + 因果 token 化日志 + L1/L2 基线
搭出最小世界与记录管线，注入随机/主动干预数据，在你自己的世界里复现"Butkus 式"结果：模型对 do(·) 的预测显著超过纯观察基线。
同种子回放 + L3 评估 + 泛化测试
加入反事实回放与 L3 监督/评估；在没见过的世界配置与干预上测泛化，确认学到的是机制而非查表。
多智能体生态 + 适合度 A/B + 开放式度量
开放到多智能体生存竞争，做因果 vs 关联 vs model-free 的谱系 A/B；借"ASAL 式"基础模型评估器度量世界的开放性与新奇性，寻找适合度阈值 τ。
产品的北极星是一台能回答"我若这样干预，会发生什么；当初若不这么做，又会怎样"的因果决策引擎。落地次序要诚实地尊重 C4：先在你完全掌握真值的合成/半合成决策域（供应链与库存、定价与促销、实验/AB 设计、运营调度）交付可验证的价值——这些领域本就有大量可干预、可回放的结构；再分阶段、带验证地向真实世界的因果决策迁移。先卖"在可仿真的域里做对因果决策"，而不是一步登天承诺"通用因果 AI"。
把训练目标从"下一个字"改成"下一个干预结果与反事实"（第 03 节）；因为 CHT，这只能靠把 do 与反事实写进数据（第 02、04 节）；而可回放的模拟自然，是免费生产这种数据的唯一引擎（第 05 节）；用生存竞争检验"因果是否被选择"（第 06、07 节）；靠模拟器真值逐阶梯验证"接近还是偏离"（第 08、09 节）；90 天内用 A/B 与杀死信号把猜想逐条证伪或证成（第 13 节）。
参考文献与延伸阅读
带链接者为本报告直接查证所用；其余按惯例署名。分组对应第 11 节的五条河流。
因果基础
- Bareinboim, Correa, Ibeling, Icard. On Pearl's Hierarchy and the Foundations of Causal Inference. — causalai.net/r60.pdf（因果阶梯与因果层级定理）
- Schölkopf 等. Toward Causal Representation Learning. — arXiv:2102.11107
- Peters, Bühlmann, Meinshausen. Invariant Causal Prediction (ICP).（跨环境不变性作为验证判据，2016）
- Rubin / Neyman. 潜在结果框架（Potential Outcomes）.（反事实的统计形式）
next-token × 因果（本报告核心锚点）
- Butkus 等. Causal Discovery and Inference through Next-Token Prediction. NeurIPS 2025 — OpenReview · Poster
- A Causal World Model Underlying Next Token Prediction: Exploring GPT in a Controlled Environment. — arXiv:2412.07446
- Zečević 等. Causal Parrots: LLMs May Talk Causality But Are Not Causal. — arXiv:2308.13067
序列建模 × 决策 · 世界模型
- Chen 等. Decision Transformer: RL via Sequence Modeling. — arXiv:2106.01345
- Hafner 等. Dream to Control / Dreamer. — arXiv:1912.01603；MuZero（Schrittwieser 等，2020）
- LeCun. A Path Towards Autonomous Machine Intelligence / JEPA & 潜变量能量模型. — arXiv:2306.02572
- DeepMind. Genie: 生成式交互环境 / 基础世界模型. — Genie 2 · Genie 3
多智能体 · 人工生命 · 演化
- Suarez 等. Neural MMO 2.0. — arXiv:2311.03736
- Leibo 等. Melting Pot. — DeepMind
- Zheng 等. The AI Economist.（多智能体经济体，Salesforce）
- Kumar 等（Sakana AI 等，与 Ken Stanley、MIT）. Automating the Search for Artificial Life with Foundation Models (ASAL). — sakana.ai/asal · arXiv:2412.17799
- Lehman, Meyerson, …, Stanley. Evolution Through Large Models (ELM). — Springer；FunSearch / AlphaEvolve / ShinkaEvolve（LLM 驱动的演化式程序搜索）
- Lehman & Stanley. Abandoning Objectives: Evolution through the Search for Novelty Alone. — PDF；POET（Wang 等，共演化环境与智能体）
更大的图景
- Silver & Sutton. Welcome to the Era of Experience. 2025 — PDF
- Sutton. The Bitter Lesson. 2019
- Dunbar（社会脑假说）/ Byrne & Whiten（马基雅维利智能）——"社会复杂度驱动认知演化"的生物学背景。