新智元报道

编辑：艾伦

在ICFP 2025编程大赛中，日本Sakana AI的「Team Unagi」以人机共创模式夺冠。其AI系统「ShinkaEvolve」通过迭代优化让代码性能提升近十倍，并反向启发人类思维。Sakana AI以自然进化为理念，正开创AI自我进化与人机协作的新范式。

今年的国际编程竞赛ICFP（International Conference on Functional Programming）的冠军队伍名为「Team Unagi」，团队来自日本初创AI研究公司Sakana AI，其中的AI系统不仅帮助他们加速解决方案，更为人类队友带来了全新的解题思路。

ICFP 2025编程大赛高度开放，「任何手段皆可」，鼓励各路奇思妙想和工具（包括AI）自由登场。

Sakana AI团队选择了一条独特的「人机共创」道路。

在这场要求参赛者利用有限线索探索迷宫结构的竞赛中，人类开发者与AI算法并肩作战，谱写了一出科技与智慧交融的精彩戏码。

与此同时，Sakana AI近期将融资1亿美元，估值将达25亿美元。

人类策略遇上瓶颈

AI进化来破局

参赛者需要根据模糊提示，用最少的询问次数勾勒出一个未知迷宫的全貌。

Sakana AI团队起初采用的是一个颇具创意但复杂的方案：将迷宫问题转化为逻辑约束，使用SAT求解器（布尔可满足性问题求解器）来一次性算出符合所有条件的解。

这种策略理论上可以充分利用有限线索，提高解题效率。

然而，正如团队所料，方案的瓶颈也随之而来：SAT求解器的性能高度依赖于问题编码的质量。

编码得当，求解器才能高效工作；编码不佳，再简单的问题也可能算不出结果。

如何设计高效的编码既需要深厚洞见，又免不了反复试错。

逻辑公式的一个示例。SAT问题的目标是找到一个能满足这些公式的变量赋值

尽管队内一位成员精心构造了初始的逻辑公式，仍发现随着迷宫规模增大，求解器耗时呈爆炸式增长，成为制约进度的性能瓶颈。

就在团队绞尽脑汁试图优化代码时，他们把目光投向了自家研发的AI工具——一个名为ShinkaEvolve的进化式代码优化框架。

Shinka在日语中意为「进化」，这个开源框架不负其名：它能够利用大型语言模型（LLM）来不断「进化」代码，以优化算法性能。

Sakana AI团队决定让ShinkaEvolve试一试，替他们来攻克SAT编码的难关。

他们将团队原本用Rust语言编写的迷宫SAT求解代码交给ShinkaEvolve，并设置计算开销（求解器运行时间）为需要最小化的目标函数，让AI自主改进代码。

演化算法遇上生成式AI

ShinkaEvolve的工作原理颇有几分「遗传算法+人工智能教练」的味道。

它先生成一批代码改写候选，对每个候选运行测试评估性能，然后优胜劣汰、融合改进，生成新一代的代码版本，再重复这个循环。

ShinkaEvolve框架示意图

ShinkaEvolve并非盲目地随机修改代码，它由一组大型语言模型共同驱动，相当于给进化算法配备了「AI大脑」，能够基于已有的编程知识与上下文智能地产生有潜力的改进方案。

这种结合了生成式AI和进化式探索的方法，被视为Sakana AI的核心技术灵感之一，让AI从自然进化中汲取灵感，像生物进化那样不断试错，但又借助强大的预训练模型作为「经验指导」，从而大幅提高探索效率。

ShinkaEvolve框架示意图：AI通过迭代试错来进化优化程序代码。左侧由人类提供初始代码和问题评估器，中间AI生成变种代码进行性能测试，右侧不断筛选出更优方案。整套流程如同「人工智能的进化论实验」。

ShinkaEvolve在此次迷宫挑战中的表现堪称一场精彩的进化实验。

根据团队公布的数据，他们让AI对代码进行了约320次迭代尝试，耗费的云端算力成本仅约60美元。

随着每一代代码的演进，求解速度稳步提升，中途还出现了几次「灵感大爆发」式的重大跃升。

每一代的得分都会提升，并且在此过程中可以看到几个显著的突破

最终，AI产出的一版优化代码令性能实现了飞跃式增长：

针对中等规模的迷宫（18个房间），代码运行时间从原来的2.86秒缩短到0.44秒，加速约6.5倍；

而在大型迷宫（24个房间）上，执行时间更是从127秒骤降至13秒，提升近10倍！

这意味着许多原本因耗时过长而「遥不可及」的更大规模问题，如今在可接受的时间内也能解决了。

Sakana AI团队立刻将这份AI优化产物整合进了他们的最终参赛方案里，大幅提高了解题效率和成绩。

Sakana AI团队参赛过程中使用的源代码和prompt也已开源：

https://github.com/icfpc-unagi/icfpc2025

AI不仅提速

更带来人类未及的创意

性能飙升带来了胜利的希望，而更出乎意料的是，AI在优化过程中学到的「窍门」反过来启发了人类。

团队发现，ShinkaEvolve给代码动的很多「手术」其实都带有深刻洞见。

例如，其中最关键的一项改进涉及迷宫连接关系的表示方式。

原本人类编码直接将「房间A的门1连接房间B的门2」硬编码为约束，而AI却引入了一个巧妙的中间变量，将关系拆分为「两步」：先标记「房间A的门1连接到了房间B」，再进一步细化具体是B的哪扇门。

这个额外的抽象层次让求解器可以先在更高层面决定「哪些房间相连」，再着手处理具体门对门的对应关系，从而大大降低了搜索难度。

这一点石成金的辅助变量策略，本质上是一条具有普适性的建模原则。

团队成员们恍然大悟，甚至在后续解决其他难题时也手动借鉴了同样的思路，可谓AI教学、人类受益。

更重要的是，这次「AI发现→人类领悟」的良性循环绝非昙花一现。

Sakana AI团队总结道，他们成功实践了一种人机协作的新范式：

人类擅长制定整体战略、搭建初始解决方案，而AI则在此框架内进行定向、密集的搜索优化，挖掘出人类可能忽略的改进空间。随后，人类对AI产出的成果进行分析提炼，将其中的洞见融会贯通，再用于新的挑战。

这样的合作关系使得AI不再只是冰冷的工具，而俨然成为科研团队中的一位「头脑风暴」伙伴。

此次ICFP项目的成功正是建立在这种互补互助的模式之上。

它预示着未来解决复杂问题的一种强大范式：人机携手，各展所长。

Sakana AI

从自然中汲取灵感的AI新锐

这场在编程竞赛中的亮眼表现背后，是一家年轻却雄心勃勃的AI研究公司：Sakana AI。

Sakana在日语中意为「鱼」，该公司的Logo正是由一群鱼组成的图案，其中一条红色小鱼逆向游动，象征着勇于打破常规、特立独行。

这个名字和标志背后折射出Sakana AI的技术哲学：从大自然汲取智慧，追求群体智能和进化等自然启示，同时不盲从当下主流，而是大胆探索AI发展的下一程。

Sakana AI于2023年在日本东京创立，短短时间已汇聚了一支星光熠熠的创始团队。

公司由前谷歌大脑研究科学家David Ha、Transformer架构共同作者Llion Jones、前日本首家独角兽Mercari欧洲分部CEO伊藤錬（Ren Ito）联合创立，分别担任CEO、CTO、COO。

David Ha以在谷歌大脑开展前沿创意研究闻名，转投AI之前曾是高盛的交易员；

Llion Jones则是机器学习史上里程碑论文「Attention is All You Need」（Transformer模型）的合著者之一。

Ren Ito也在加入Sakana AI前曾担任Stability AI的COO。

此外，创始团队成员也有来自谷歌DeepMind等机构的资深研究人士。

这样的豪华阵容，加上对理念的坚持，使Sakana AI在成立之初便获得了顶级投资机构的青睐。

2024年初公司宣布完成3000万美元种子轮融资，由美国硅谷的Lux Capital和Khosla Ventures领投，多家日本本土巨头企业也参与其中。

而公司的A轮融资达约2亿美元，股东中包括英伟达，并官宣与英伟达的合作。

目前，Sakana AI的估值约15亿美元。

显然，资本市场也在寄望这支「AI鲶鱼」来搅动行业风潮。

技术愿景：进化智能，开拓AI新范式

Sakana AI的愿景可用一句话概括：以自然为师，开创AI新范式。

与当下诸多公司热衷于追逐超大规模Transformer模型不同，Sakana AI立志开发的是从自然机制中获得启发的新型基础模型。

正如其投资方所评价的那样：

如今大多数AI团队还在沿用昨天的Transformer架构，拼命扩大参数规模，而Sakana AI已经在探索进化和复杂自适应系统启发的下一代基础模型。

Sakana AI的研究范式强调「开放式进化」和「持续自我改进」。

他们希望构建出的AI系统不再像传统模型那样训练完毕就固化不变，而是能像生物一样在运行中不断学习、优化，甚至改写自身代码，实现无终止的进化。

这一理念听起来近乎科幻，却有坚实的学术根基可循。

早在上世纪，AI研究者就提出过能自我修改代码、不断学习提高的「哥德尔机」（一种理论上的自我完善AI）构想。

不过哥德尔机要求AI在改自己代码前能证明这一定会带来优化，实操上难以实现。

Sakana AI的团队则另辟蹊径，与学界合作提出了一个更可行的框架，巧妙地引入「达尔文式进化」的思路：让AI不停尝试修改自身，通过实验验证哪些改动能提升性能，然后保留优胜劣汰，周而复始地自我强化。

这一系统称为「达尔文-哥德尔机」（Darwin Gödel Machine,DGM），团队在技术报告中展示了其雏形：一个能改进自身代码的编程智能体。

https://arxiv.org/abs/2505.22954

DGM利用预训练的基础模型来提议代码改进，再通过开放式的进化算法在庞大的程序版本库中搜索更优解。

实验结果表明，这种AI算力越充足就越聪明，性能随着自我改写次数的增加不断提升，甚至超越了由人类手工设计的传统算法。

可以看出，无论是此次ICFP竞赛中的ShinkaEvolve，还是「达尔文-哥德尔机」概念，Sakana AI始终围绕着一个核心理念在探索：让AI像生命体一样进化。

这种范式突破了经典AI的桎梏，将生成式AI的强大直觉与进化算法的求异探索结合起来，使AI能够自行发现更优的解决方案。

正因如此，Sakana AI的研究更像是在模拟「人工界的自然进化」，充满了开创性和想象力。

提出DGM的论文两位共同一作是UBC在读博士张卓婷和胡圣然。

胡胜然是南方科技大学计算机专业2021届毕业生。

另一位作者是谷歌DeepMind的陆聪，参与了Genie 3的研发。

他是牛津大学计算机博士，之前在UBC做博士后。

进化式AI的崛起

Sakana AI在ICFP 2025上的夺冠预示着进化式AI与自动编程的巨大潜能。

第一，这次「人机协同」破题的案例证明了生成式AI可以成为人类程序员的放大器：AI并非简单取代开发者，而是担当探索者和助手的角色，帮助人类突破瓶颈。

在生成式AI浪潮席卷编程领域的当下，大多数代码生成工具还只能充当听话的「代码翻译」或「自动补全」工具，而Sakana AI展示了一种更新颖的模式——让AI主动出击、反复试验，去改良和优化人类编写的代码。

这类似于软件开发中的重构过程由AI来自动执行，而且AI还能从中总结出优化规律反馈给人类，实现了双向的知识流动。

第二，Sakana AI的ICFP项目凸显了进化算法在AI时代的重生。

曾几何时，进化算法和遗传编程是在AI早期就提出的概念，但随着机器学习（特别是深度学习）的崛起，这类基于随机试错和自然选择的方法一度淡出了主流视野。

然而，如今借助强大的算力和预训练模型，进化方法正焕发新生。它不再是低效的盲目搜索，而成了可以结合模型智慧的智能探索。

通过大量快速的迭代，AI能够在复杂的解空间中找到人类直觉未曾涉足的解决方案。

正如Sakana AI团队所总结的，这种人机分工模式让AI承担了高强度的搜索优化工作，人类则专注宏观策略和结果判断，最终效果远超单打独斗。

第三，这一成果对自动编程领域也是一剂强心针。

自动编程一直是AI研究的圣杯之一。

而Sakana AI的实践表明，我们离这个目标又近了一步：借由演化式的反复完善，AI已经能在特定任务上显著优化代码性能，甚至自主发现新的算法思路。

这暗示着未来的软件开发可能将发生范式转变，程序不再仅仅由人类一次性编写完毕，而是由人类与AI共同演化而来。

开发者或许更像园丁，培育和引导AI代码的生长；

AI则如同茁壮成长的「数字生物」，在不断迭代中进化出更优雅高效的代码。

当我们回望这次ICFP夺冠历程，可以说Sakana AI用一次精彩的实战为业界上了一课：AI的潜力不止于模仿人类智能，它还能与人类协作，共同创造出远超各自单独能力的成果。

从自然进化中获得灵感的「Sakana模式」，为生成式AI和自动编程指明了一条新路。

或许在不久的将来，我们将看到更多「AI+人类」协作的创新场景：从难题攻关、软件优化，到科研探索、工程设计。

当AI学会了进化和自我改进，整个人工智能产业也将随之迈入一个充满生机与变革的新纪元。

正如Sakana AI那条逆流而上的红色小鱼所寓意的，真正的变革往往源自那些敢于另辟蹊径的探索者。

Sakana AI和他们的ICFP项目，正在用实践证明，进化的力量，足以开创AI的下一段传奇。

参考资料：

https://sakana.ai/icfp-2025/

https://github.com/icfpc-unagi/icfpc2025

https://icfpcontest2025.github.io/

https://arxiv.org/abs/2509.19349

https://arxiv.org/abs/2505.22954