Redefining Fitness: Inference, Information and Phase Transitions in Evolutionary Dynamics

猜谜的大型游戏

想象一下，你正在玩一款高风险的电子游戏，规则每当你按下按钮时都会发生变化。有时地面是岩浆，有时是冰面，有时则是果冻。想要获胜，你不仅需要强壮，还需要成为一名猜谜大师。你必须弄清楚：“如果我看到一朵红色的云，地面是否即将变成岩浆？”如果你猜对了，你就能生存下来，你的角色也会变得更强；如果你猜错了，你就会失去一条生命。这就是进化的本质，只不过我们谈论的不是游戏角色，而是像细菌、甲虫或鸟类这样的生物。

一百多年来，科学家们一直试图用一个叫做“适应度”（fitness）的概念来衡量生物玩这个游戏的水平。在旧的思想流派中，适应度有点像一个只看最终得分的计分板：“你生了多少个宝宝？”如果你生了很多宝宝，你就是“适应度高”；如果你一个也没生，你就没有。但这个计分板有一个奇怪的问题：它是循环论证的，就像在说“你是一个优秀的跑步者，因为你在比赛中获胜，而你之所以在比赛中获胜，是因为你是一个优秀的跑步者。”它还有一个漏洞：想象一只完美伪装的蝴蝶，却仅仅因为运气不好，在产卵前就被鸟吃掉了。旧的计分板会说它的适应度为零，尽管它实际上是一个伟大的生存者。它无法区分什么是“擅长游戏”以及什么是“仅仅运气好”。

这就是一个新思想出现的地方，这个思想不再将进化视为一个计分板，而是将其视为一个正在破解谜团的侦探。科学家们现在正在问：如果“适应度”不仅仅是关于生孩子，而是关于拥有一个非常好的世界心理模型呢？如果进化实际上是一个巨大的学习和猜测的过程呢？这正是研究团队致力于回答的问题，他们使用了一种听起来像是间谍小说里的数学，但实际上解释了生命如何适应一个不断变化的世界。

侦探的进化指南

在这个新故事中，作者提出了一个激进的转变：适应度不是一个分数，而是一个预测。

想象每种动物或植物都在其 DNA 中携带一本微小的、隐形的“生存手册”。这本手册不是一份指令清单（如“长出翅膀”或“制造毒素”），而是一组概率。它会说：“如果环境干燥，我有 80% 的概率生存”或者“如果环境潮湿，我只有 10% 的概率生存”。作者称之为贝叶斯似然性（Bayesian likelihood）。用通俗的话说，这只是一个高级说法，意思是：“我的特定身体类型在多大程度上能预测世界接下来的走向？”

论文认为，自然界本质上是一个大规模、慢动作的**贝叶斯推理（Bayesian inference）**过程。这是侦探和人工智能用来根据新证据更新其信念的一种数学方法。

• 旧方式： “我生存了下来，所以我一定适应度高。”（这是循环论证，且忽略了运气）。
• 新方式： “我拥有一个能很好预测环境的模型。因为我的模型很准确，所以我更有可能生存并繁衍。”

作者展示了当你通过这个视角观察进化时，三个大问题消失了：

1. 循环论证问题： 你不需要知道谁生了最多的宝宝才能知道谁的适应度高。你只需要观察他们的“手册”对环境的预测有多准确。
2. 错位问题： 那只倒霉被吃掉的蝴蝶并不是模型不好，它只是运气不好。模型（适应度）是指生存的概率，而不是单一的结果。
3. 预测问题： 因为适应度现在是一个模型，我们实际上可以预测未来会发生什么。如果环境发生变化，我们可以看到哪些“手册”会过时，哪些会成为赢家。

信息高速公路

这是这项发现中最令人脑洞大开的部分。作者发现，当一个种群经过长时间进化时，它不仅仅是在试图生更多的宝宝。它是在试图最大化信息量。

把环境想象成一个正在广播秘密代码的嘈杂无线电台。种群中的不同类型的动物就像是在试图调频到那个电台的不同收音机。

• 如果一台收音机充满了静电噪声（一个糟糕的模型），它就听不到代码。
• 如果一台收音机信号清晰（一个好的模型），它就能完美地听到代码。

论文证明，自然选择就像一个过滤器，保留那些清晰的收音机，扔掉那些充满静电噪声的收音机。随着时间的推移，种群会进化，直到动物与环境之间的“噪声”消失。用数学术语来说，种群结构会与环境统计特性完美对齐。作者展示了种群的增长率与互信息（Mutual Information）——即种群对其世界了解程度的一个度量——直接相关。

这就像进化是一个正在为考试学习的学生。那个完美背诵了教科书（环境）的学生会得到 A（高适应度）。而随机猜测的学生则会失败。论文表明，自然选择的终极目标是将种群变成尽可能准确的“学生”，使其持有的信息量最大化。

生命的游戏：合作与临界点

为了证明这套理论行得通，作者将这种新的“预测”数学应用于生物学中的三个经典问题，结果非常清晰。

1. 任务切换游戏
想象一群工人可以从事两份工作：工作 A 或工作 B。老板（环境）会在需要工作 A 或工作 B 之间随机切换。

• 结果： 论文显示，工人们会自然而然地进化，使他们分配在两项工作上的时间比例，正好与老板要求各项工作的频率成正比。如果老板 70% 的时间要求工作 A，那么种群会进化到 70% 的工人准备好从事工作 A。他们成为了环境概率的完美镜像。

2. 囚徒困境（合作之谜）
这是一个著名的游戏，其中两个人可以选择合作或背叛彼此。通常情况下，背叛在短期内会获胜，但长期来看，合作对群体更有利。

• 结果： 作者发现，只有当玩家能够“读取”彼此时，合作才会出现。如果两个玩家完全随机且相互独立（他们不知道对方会做什么），背叛就会获胜。但如果他们之间存在某种联系——比如他们有亲缘关系、或者多次进行该游戏、或者可以互相传递信号——合作就会成为获胜策略。
• 论文使用了一个“相图”（类似于生物学的天气图）来展示合作何时接管局面。事实证明，合作就像是一个临界点（tipping point）。如果玩家之间的联系足够强，整个群体就会突然从“人人背叛”转向“人人合作”。这是因为玩家正在建立关于彼此的共同模型，从而增加了彼此之间的“信息量”。

3. 群体动力学
当你有不同的群体，并且这些群体既与自己的群体互动，也与其他群体互动时，会发生什么？

• 结果： 数学显示，如果成员之间联系紧密（如家人或朋友），合作在群体内部会蓬勃发展。然而，如果群体与那些“随机”或不可信的外部人员互动过多，整个系统可能会崩溃回背叛状态。论文指出，为了让大规模合作（如人类社会）发挥作用，群体需要发展出强大的内部信号，甚至可能需要“惩罚”那些破坏规则的人，从而创造一个紧密的、由信息和信任构成的闭环。

这为什么重要

作者不仅仅是在摆弄数字；他们正在提供一套全新的工具箱。通过将适应度视为一种预测概率，他们可以解决以前难以处理的复杂问题。他们可以绘制地图（相图），展示种群何时会从一种行为转变为另一种行为，就像水变成冰一样。

他们还表明，旧的“适应度”观念过于狭隘。它关注的是结果（宝宝），而这个新的观点关注的是原因（预测能力）。它表明进化是一种学习的形式。每当一个物种进行适应时，它不仅仅是在变得更强壮，它是在变得对世界更加聪明。

论文总结道，这种方法统一了许多不同的领域。解释细菌如何寻找食物的数学，同样也可以解释股市如何对新闻做出反应、大脑如何学习语言，以及社会如何决定进行合作。事实证明，自然、数据科学和人类行为可能都在运行着相同的操作系统：减少不确定性并最大化信息的驱动力。

所以，下次当你看到一只鸟在筑巢，或者一个人在分享一个秘密时，请记住：他们不仅仅是在凭本能行事。他们正在运行着复杂的、隐形的计算，试图预测未来，并在这一过程中，参与着这场终极的生命游戏。