格勒諾布爾阿爾卑斯大學：聰明的AI有時反而是糟糕的"搜索員"？

這項由法國格勒諾布爾阿爾卑斯大學（Univ. Grenoble Alpes）與法國國家科學研究中心（CNRS）及格勒諾布爾INP聯合開展的研究，于2026年4月以預印本形式公開發表，論文編號為arXiv:2604.19440。有興趣深入了解的讀者可以通過該編號查詢完整原文。

**研究概要：聰明不等于會"找路"**

假設你要在一座陌生城市里找到最好的餐廳。有兩種人可以幫你：第一種人是美食評論家，見多識廣，憑直覺就能猜到哪里好吃；第二種人則是個執著的探路者，一家家試吃，每次都在上一家的基礎上慢慢縮小范圍，越找越準。你覺得誰能最終找到真正最好的那家餐廳？

這個問題的答案，正是這項研究想弄清楚的核心。近年來，大型語言模型（簡稱LLM，也就是ChatGPT、Gemini這類AI）被越來越多地用在一種叫做"進化搜索"的優化系統里。通俗來說，就是讓AI反復提建議、接受打分、再改進，一輪輪迭代，找到解決某個難題的最佳方案——就像自然界中物種不斷進化以適應環境一樣。

研究團隊發現了一個讓人意外的現象：在這種"邊走邊找"的優化過程中，更聰明、在單次問答中表現更好的AI，并不總是最終找到最佳方案的那個。反而有些看似"普通"的AI，在長期迭代中表現出色。這究竟是為什么？研究團隊決定對15個不同的AI模型展開大規模追蹤，橫跨8項不同任務，收集了超過7.2萬個候選方案的完整"尋找軌跡"，試圖從中找出規律。

**一、進化搜索：讓AI像物種一樣"進化"**

要理解這項研究，首先得明白什么是"進化搜索"。

回到找餐廳的比喻。傳統的搜索方式就像拿著大眾點評翻評分，一次性做決定。而進化搜索不同——它更像是一個有組織的試吃團隊：先隨機選幾家餐廳試吃（初始種群），然后根據口味打分，挑出最好的幾家（精英選擇），再請AI根據這些餐廳的特點提出"改良版建議"，比如附近有沒有風格類似但更好的餐廳（變異操作），再去試吃、打分，如此反復。

研究團隊搭建的實驗框架正是這個邏輯。每一輪迭代叫做一個"代"（generation），每一代中AI會產生10個新候選方案，然后系統保留表現最好的那部分方案，再進入下一代。整個過程跑30代，就像讓一個物種進化了30個世代。

研究選取了四類完全不同的任務：旅行商問題（TSP，尋找連接若干城市的最短路線）、提示詞優化（讓AI幫助改進指導語以提升另一個AI的文本生成質量）、方程發現（從數據中找到最能擬合的數學公式）、啟發式算法設計（為裝箱問題設計最優策略程序）。這四類任務涵蓋了從數學到語言的多個領域，確保研究結論具有普遍性。

15個參與測試的AI模型來自六大家族，涵蓋了OpenAI的GPT-4o及其系列、谷歌的Gemini和Gemma、Meta的Llama、DeepSeek-V3、以及Mistral系列。這些模型能力參差不齊，從參數量僅10億的小模型到業界頂尖的旗艦模型都有。

**二、聰明并非全部：零樣本能力的局限性**

研究的第一個問題是：AI在進化搜索中表現的好壞，是不是就直接等于它本身有多聰明？

為了衡量"有多聰明"，研究團隊定義了"零樣本性能"——就是在沒有任何參考、直接一次性提問的情況下，AI能給出多好的答案。這相當于考察那位美食評論家，不經過任何探索，憑第一印象能找到多好的餐廳。測試方式是在六個不同的"溫度"設置下（控制AI回答的隨機程度）各采樣兩次，取最好的結果。

數據顯示，零樣本性能確實和最終進化結果有正相關關系——更聰明的AI總體上傾向于給出更好的最終答案，這一點并不讓人意外。然而，當研究人員把目光聚焦在零樣本性能相近的AI上時，一個奇怪的現象浮現了：幾個零樣本得分幾乎相同的AI，在經過30代進化之后，最終的優化結果差異卻極大。

比如在某個零樣本平均分約為0.4的分組里，多個模型在起跑線上幾乎并排，但30代之后，有的模型最終分數高達0.8以上，有的卻還在0.6附近徘徊。換句話說，第一印象相似的AI，走出來的"尋路軌跡"完全不同。這說明，進化搜索的成敗背后，存在著某種比"聰明程度"更本質的東西。

**三、"創新力"的陷阱：多樣性不是萬能的**

找到這個"更本質的東西"之前，研究團隊先排除了一個看似合理的假設：多樣性（或者說"新奇度"）。

按照經典進化算法的邏輯，探索越廣泛越好。如果AI每次提的建議都和之前的很不一樣，就相當于在更大的范圍內搜索，理論上更容易找到隱藏的好答案。研究團隊專門設計了一個指標——"新奇度"（novelty），定義為每個新候選方案與此前所有方案在語義空間中的最小距離。距離越大，代表這個方案越"新奇"、越"與眾不同"。

然而實驗結果徹底推翻了這個假設。當研究人員把各AI的平均新奇度和最終優化成績做統計分析時，發現兩者之間的相關性幾乎為零，在統計上完全不顯著。更直接地說，產生更多"奇思妙想"的AI，并沒有因此找到更好的答案。

不僅如此，數據還揭示了一個反直覺的規律：那些新奇度持續偏高的AI，往往正是表現較差的。它們像一個到處亂走的旅行者，每到一個地方都覺得新鮮，不停變換方向，卻始終沒有深入挖掘某個有潛力的區域。這種"漫游式"的搜索行為，在追蹤圖上呈現為方案點散落在語義空間的各個角落，沒有明顯的收斂趨勢。

**四、真正的關鍵：頻繁的小進步，而非偶爾的大跨越**

既然不是新奇度，那真正決定成敗的是什么？

研究團隊引入了另一個指標——"突破率"（breakthrough rate）。所謂"突破"，就是某一代產生的新方案，比迄今為止所有歷史最佳方案都要好——哪怕只好一點點。突破率就是在整個進化過程中，發生這種"歷史新高"事件的頻率。

這個指標與最終優化成績的相關性，讓所有人眼前一亮。統計分析顯示，突破率單獨作為預測變量時，能解釋約19.8%的最終成績差異，幾乎是零樣本能力（解釋約10.3%）的兩倍。當把突破率和零樣本能力結合起來，解釋力進一步提升到24.6%，而且此時零樣本能力的統計顯著性明顯下降——這說明"聰明程度"對最終成績的部分貢獻，其實是通過"突破率"這個中間環節來實現的。也就是說，一個AI之所以聰明有幫助，很大程度是因為它能產生更多小進步。

更重要的是，這種"頻繁小進步"的模式與經典進化算法中常見的"長時間停滯 + 偶爾大突破"截然不同。好的AI搜索軌跡，不是偶爾靈光一現的驚天發現，而是像水滴石穿一樣，持續穩定地向更好的方向邁進。回到找餐廳的比喻：優秀的探路者不是偶爾撞上一家絕世好館子，而是每一步都比上一步更接近目標。

**五、語義空間的幾何學：從"漫游"到"聚焦"**

為了更直觀地理解為什么有些AI能持續產生突破，研究團隊采用了一種叫做"多維尺度分析"（MDS）的方法，把每一個候選方案映射到一個二維平面上，就像把所有方案投影到一張地圖上，相似的方案靠近，不同的方案分散。通過這張"軌跡地圖"，可以看到AI的"搜索路徑"。

以TSP-60任務為例，研究團隊對比了Gemini-1.5-Pro和Mistral-7B-Instruct兩個零樣本表現相近的模型。在軌跡地圖上，Gemini-1.5-Pro的方案點隨著代數推進，逐漸向一個高質量區域收攏——后期的方案點（深色）密集聚集在一片很小的區域內，像是逐漸找到了寶藏所在地，然后在那里精耕細作。Mistral-7B-Instruct的方案點則始終散落在地圖各處，雖然偶爾也能產生一個不錯的方案，但下一代又跑到完全不同的區域去了，沒有任何積累效應。

為了量化這種"聚焦程度"，研究團隊定義了兩個熵值指標。第一個是"空間熵"（spatial entropy），衡量所有方案在語義空間里的分散程度——熵越低代表越聚焦。第二個是"適應度空間熵"（fitness spatial entropy），衡量高質量方案是否集中在同一個區域——熵越低代表好方案越集中。

統計分析證實，適應度空間熵越低（即好方案越集中），該代產生突破的概率越高。這說明有效的搜索不是在空曠的地圖上隨機探索，而是識別出哪片區域最有潛力，然后圍繞那片區域深度挖掘。

**六、新奇度的條件價值：在對的地方"標新立異"**

事情到這里還沒完。研究團隊發現，新奇度本身并非一無是處——它的價值取決于在什么條件下出現。

通過混合效應回歸分析（一種能同時考慮多個因素相互影響的統計方法），研究團隊發現了一個精妙的交互效應：當搜索處于"高度聚焦"狀態時（即空間熵低），某種程度的新奇度反而有助于產生突破；但當搜索處于"高度分散"狀態時（即空間熵高），新奇度對突破毫無幫助，甚至適得其反。

用餐廳探索來理解：當你已經把搜索范圍縮小到某條街道，并且這條街道確實充滿優質餐廳時，在這條街道內"標新立異"地嘗試一家沒人知道的小店，確實可能發現驚喜。但如果你還在漫無目的地穿越整座城市，這時候再"標新立異"地跑去郊區的某個角落，基本上只會浪費時間。新奇度的價值，是在已知的好區域內進行局部探索，而不是逃離好區域去遠方碰運氣。

這個發現同時也解釋了為什么高新奇度的AI往往表現更差——它們并非在恰當的時機"標新立異"，而是始終無法讓搜索收斂到有價值的區域，所有的創新都發生在錯誤的地方。

**七、局部精煉者：好的AI搜索員長什么樣**

綜合上述發現，研究團隊提煉出了一個核心概念：優秀的AI搜索員是"局部精煉者"（local refiner）。

所謂局部精煉，具體指的是：給AI看幾個"父代"方案（也就是當前最優的若干候選答案），AI生成的"子代"方案能以較高概率嚴格優于父代中的任何一個。研究團隊把這個頻率定義為"局部精煉率"（LRR）。與之對應的另一個指標是"親子語義距離"（PCD），衡量子代方案和父代方案在語義上相差多遠。

當研究人員把局部精煉率和親子語義距離都納入同一個統計模型時，結果非常清晰：局部精煉率對最終成績有極強的正向預測作用，統計置信度極高；而親子語義距離在單獨分析時呈現負向效果（修改幅度越大，成績反而越差），但一旦把局部精煉率納入模型，這個負效應就消失了。這說明"改動幅度大有害"這件事，其實是因為大幅改動通常會降低產生改進的概率——本質上還是局部精煉率在起作用。

換句話說，好的AI修改就像外科手術：精準、克制、每刀都讓病人更健康一點。差的AI修改則像拆了重建：看起來改動很大，但不一定更好，甚至可能更糟。

**八、干預實驗：當"壞工人"混入"好團隊"**

理論分析之外，研究團隊還做了一組頗具創意的干預實驗，直接用實際操控來驗證局部精煉率的因果效果。

實驗設計很直接：在進化過程中，每一代產生的10個子代方案，不再全部由主模型生成，而是讓一個"弱精煉者"（局部精煉率較低的模型）生成其中一部分，其余仍由"強精煉者"生成。通過調整弱精煉者占比（從0%到100%），研究人員觀察最終優化成績如何變化。

實驗在TSP-60、裝箱-OR3和提示詞優化三個任務上進行，結果在前兩個任務上表現得尤為明顯：隨著弱精煉者占比從0上升，最終成績幾乎單調下降，而且整體局部精煉率也隨之下降。成績曲線和精煉率曲線幾乎同步變化，呈現出極強的協同關系。提示詞優化任務上效果稍弱一些，但趨勢一致。

這個實驗的意義在于：它不只是觀察，而是主動改變了搜索過程，并得到了可預測的結果。就像如果你的餐廳探索團隊里混入了幾個隨機亂推薦的人，整個團隊的找路效率就會系統性下降。這證明了局部精煉率不只是個相關指標，而是真正影響結果的機制。

**九、省錢還能找到好答案：性價比的重要啟示**

研究還有一個非常實用的發現：貴的模型不等于好的"搜索員"。

研究團隊根據每個模型在進化搜索過程中的實際token消耗量和API定價，估算了每次完整優化的貨幣成本，并將其與該模型通過進化獲得的性能提升量放在同一張圖上對比。結果顯示，各模型之間的"性價比"差異極大。

一些中等規模的模型（比如Mistral-24B-Instruct）落在了帕累托前沿上——這是一個經濟學概念，意味著在同等成本下它的提升量最大，或者同等提升量下成本最低。反過來，一些旗艦級大模型盡管零樣本能力很強，但每次優化的費用極高，提升量卻不成比例地低，性價比遠不如某些中型模型。

這對實際部署AI優化系統的工程師和研究者來說是個重要提示：不要默認選最強大的模型，而應該測試哪個模型在你的任務上具有更好的局部精煉行為，再綜合考慮成本做選擇。

**十、溫度測試：這個規律穩定嗎？**

為了確保發現的規律不是某個特定實驗設置下的巧合，研究團隊還專門做了溫度敏感性測試。所謂"溫度"（temperature）是控制AI輸出隨機程度的參數，溫度越高，AI的回答越發散；溫度越低，回答越保守確定。

研究團隊用Mistral-7B和Mistral-24B兩個模型，在TSP和方程發現兩個任務上，測試了從0.0到1.3的八個溫度值，觀察局部精煉率和最終成績之間的相關性是否隨溫度變化而改變。

結果令人安心：無論溫度如何變化，局部精煉率與最終成績的正相關關系始終穩定存在，在TSP任務上尤為顯著（Pearson相關系數高達0.92，p值遠低于0.001）。這說明"局部精煉行為是好優化器的核心"這個結論，并不依賴于某個特定的參數設置，而是一個相對穩健的規律。

與此同時，研究團隊也指出，局部精煉行為不只是某個模型的固有特質，而是整個"模型+提示詞+解碼參數"系統的綜合屬性。換句話說，即使是一個天生精煉能力較弱的模型，也可能通過調整提示詞或溫度來改善其精煉行為；反之亦然。這為未來通過系統設計來優化搜索行為提供了空間。

**說到底，這項研究告訴了我們什么？**

歸根結底，格勒諾布爾阿爾卑斯大學的研究團隊用7.2萬個數據點證明了一件事：在AI驅動的進化搜索這條賽道上，"聰明"和"會找路"是兩種不同的能力。一個AI在單次問答中多么博學多才，并不能保證它在反復迭代的優化過程中找到最好的答案。

真正決定成敗的，是一種樸素但穩定的能力——每次改動都能比上一次稍微好一點。這種"局部精煉"的行為，讓搜索在語義空間里逐漸收斂到有價值的區域，而不是漫無目的地游蕩。新奇和創新本身沒有問題，但只有在已經找對方向的前提下，局部的創新才能轉化為真正的進步。

對于普通人來說，這意味著當你在選擇AI工具來輔助某個需要反復優化的任務時，不要只看模型的"聰明排行榜"，更要關注它在迭代改進中的穩定性。對于AI研究者和開發者來說，這意味著未來訓練AI時，除了追求更強的通用能力，還值得專門培養模型作為"搜索算子"的局部精煉能力——讓AI不只是聰明的答題者，更是可靠的"探路者"。

這項研究的完整論文以預印本形式收錄于arXiv，編號為arXiv:2604.19440，感興趣的讀者可以通過這個編號找到原文深入閱讀。

**Q&A**

Q1：進化搜索中的"突破率"具體是怎么計算的？

A：突破率是指在整個進化過程中，某一代產生的新方案比截至目前所有歷史最佳方案都要好的比例。比如跑了30代，其中有6代出現了"歷史新高"，突破率就是6/30=20%。這個指標衡量的是AI在迭代過程中持續產生改進的頻率，而不是單次的改進幅度。研究顯示，突破率比AI的零樣本能力更能預測最終優化成績。

Q2：局部精煉率（LRR）和新奇度（novelty）有什么區別？

A：局部精煉率衡量的是AI產生的子代方案比父代方案更優的比例，關注的是"改了之后有沒有變更好"；新奇度衡量的是新方案與歷史所有方案在語義上的距離，關注的是"改動有多新穎"。研究發現，這兩者經常是相反的——改動越大越新奇，往往越難確保變得更好，所以高新奇度模型的局部精煉率反而偏低。

Q3：為什么Mistral-24B在性價比上表現出色而一些旗艦大模型反而不如它？

A：這是因為進化搜索中真正有價值的能力是局部精煉行為，而不是零樣本的通用能力。Mistral-24B恰好具備較強且穩定的局部精煉能力，在多個任務中能持續產生小幅度的改進。旗艦大模型雖然更聰明，但API費用大幅更高，而在局部精煉這個具體維度上的優勢并不成比例，導致每花一塊錢獲得的性能提升反而更少。