LLM进化汇编程序
3 steps1 pieces4 Sources
MIT与Sakana AI团队提出“数字红皇后”（DRQ）算法，利用大语言模型（LLM）在经典编程游戏《Core War》中进化汇编程序。不同于传统的静态优化，DRQ采用自我对弈机制，让LLM生成的“战士”程序必须击败所有历史对手才能存活，从而模拟生物进化中的军备竞赛。
研究发现，随着轮次增加，LLM生成的程序不仅对未见过的专家人类程序表现出更强的通用性，且在多次独立运行中呈现出行为上的趋同演化——即不同代码结构最终收敛于相似的高效策略。这一结果挑战了仅靠静态目标优化的传统观点，表明动态对抗环境能激发更稳健的适应性。该工作为研究AI在网络安全等复杂多智能体对抗领域的进化动力学提供了可控沙盒。
【背景】《Core War》是1980年代诞生的图灵完备虚拟计算机游戏，程序在此争夺内存控制权。 【存疑】尽管DRQ展现了强大的泛化能力，但其是否直接适用于现实世界的高维复杂系统（如真实网络攻防）尚待验证。
How it got here
MIT与Sakana AI联合发布论文《Digital Red Queen: Adversarial Program Evolution in Core War with LLMs》，提出DRQ算法。
alphaxiv.org ↗官方开源代码仓库 SakanaAI/drq 上线，提供基于GPT-4.1-mini的最小化实现。
github.com ↗Machine Learning Street Talk发布访谈，第一作者Akarsh Kumar详解如何利用LLM进化汇编程序参与Core War竞争。
youtube.com ↗
What is still unsettled
- DRQ发现的“行为趋同”现象是否在其他非对称或高噪声的真实世界对抗环境中同样存在？
- 除了GPT-4.1-mini，其他架构的LLM在作为变异算子时，其进化效率与策略多样性有何差异？
- 该方法能否有效迁移至实际网络安全场景，以自动发现或修补零日漏洞？