所以，eAI 不是一個單一產品名，也不是 AGI/ASI 的同義詞。它是一個風險框架：當 AI 不再只是一次性訓練好、被人類被動使用的工具，而開始接近「可複製、可變異、可被選擇」的系統，就要用演化生物學的角度去理解它。

同 AGI/ASI 最大分別：一個問智能，一個問演化條件

AGI/ASI 討論通常聚焦 AI 的能力上限：它是否足夠通用、是否會超越人類。eAI 問的則是另一件事：AI 系統是否具備演化條件。相關報道亦以「evolving AI may arrive before AGI」來概括這個風險角度，即可演化 AI 可能早於 AGI 成為治理問題。

這個分別很重要。未達到超級智能的 AI，如果能大量複製、產生差異、在某些環境中競爭並被保留，仍然可能出現難以預測的行為；相反，一個能力很強但被嚴格限制在固定環境內的模型，未必就符合 eAI 框架。

演化唔需要 DNA：需要的是複製、變異、選擇

UNSW 對相關研究的介紹指出，演化不需要 DNA、細胞，甚至不需要生物生命；它需要的是可以複製的資訊，以及會影響複製成功率的變異。把這套條件放到 AI 上，判斷 eAI 風險時至少要留意四點：

• 可複製的資訊或配置。 AI 系統的組件、規則或部署設定如果可以被保留、複製或再次使用，就提供了演化的基本材料。
• 不同複本之間存在變異。 如果每次更新、組合或部署之間出現差異，這些差異就可能成為被選擇的素材。
• 變異影響保留或擴散機會。 當某些變體更容易被採用、保留或再次部署，選擇壓力就開始出現。
• 演化循環不只發生在模型輸出。 PNAS 文章特別把組件、學習規則和部署條件納入 eAI 定義，代表治理焦點不能只停留在最終答案有無問題。

這亦解釋了為何 eAI 不一定需要「惡意」。自然選擇本身沒有意圖；只要複製、變異和選擇條件同時存在，演化可以在無人刻意設計下發生。

點解現在特別值得關注

PNAS 文章認為，生成式 AI、代理式 AI（agentic AI）和具身 AI（embodied AI）的現有趨勢，可能令 eAI 逐步出現；作者亦指這個可能性在 AI 安全和存在風險討論中被低估。

代理式 AI 是關鍵一環，因為它不只是產生文字，而是越來越多被放入互動環境中，負責觀察、推理、行動和調整策略。一篇關於「自我演化代理」的 arXiv 綜述指出，大型語言模型雖然能力強，但本質上仍較靜態，難以自行調整內部參數去適應新任務、變動知識領域或動態互動情境；同一綜述亦指出，當 LLM 被部署到開放、互動環境時，研究界正探索能即時推理、行動和演化的代理系統。

換句話說，eAI 不應被理解成「AI 物種已經在網上失控」。更準確的說法是：如果 AI 代理越來越能自我適應、互動，甚至改變自身策略或環境，治理框架就不能只盯住單一模型的輸出。

真正風險：由單一模型變成代理生態

傳統 AI 安全常問：一個模型有無幻覺？有無危險輸出？有無按照人類指令行事？eAI 迫使我們問另一組問題：如果有大量 AI 代理、模型組件或部署變體在不同平台和環境中運行，哪些變體會被保留？哪些會被淘汰？環境會獎勵安全、誠實和可控的行為，還是獎勵更擅長擴散和適應的行為？

PNAS 文章把三個問題列為核心：AI 在什麼技術和生態條件下會變得可演化、可能出現哪些行為，以及應該如何治理這類系統。一些研究機構和科學傳播稿件用「AI species」或「像生物一樣演化的 AI 物種」形容這種可能性，但這應視為風險框架和比喻，而不是已經證明成熟 AI 物種存在。

最值得警惕的是，演化選擇的不是「最符合人類價值」的系統，而是在特定環境下更容易被複製、保留或擴散的變體。如果開放環境的選擇壓力設計得不好，最成功的 AI 代理未必等於最安全的 AI 代理。

目前證據有幾強？

現有資料足以支持一個謹慎結論：eAI 已經是正式的學術風險議題。PNAS 文章明確提出 eAI 定義，並把它放入 AI 安全和存在風險框架中討論。關於自我演化代理的綜述亦顯示，研究界正在探索可在開放互動環境中適應、行動和演化的代理系統。

但這不等於 eAI 災難已經發生。按現有來源的語氣，eAI 更適合被視為前瞻性風險分析、研究議程和治理提醒，而不是已被證實的大規模失控事件。把它說成科幻式「AI 已經有意識並開始反叛」，反而會模糊真正值得研究的問題：AI 代理生態會否形成可演化、難預測、難治理的選擇循環。

之後應該留意哪些信號

判斷 eAI 風險是否升高，關鍵不是問 AI 有無人格，而是看系統是否越來越接近演化條件：

• AI 代理是否能產生可被保留、複製或再次部署的變體？
• 變體之間的差異，是否會影響它們被使用、擴散或保留的機會？
• AI 代理是否被放入開放、互動環境，並能即時推理、行動和演化？
• 治理措施是否覆蓋模型組件、學習規則和部署條件，而不只是審查最終輸出？

底線

eAI 最有價值的提醒，是 AI 風險未必一定要等到「有意識」或「超級智能」先出現。當 AI 系統開始具備複製、變異、選擇和保留的條件，人類面對的就可能不再只是單一工具，而是一個需要被設計、監察和治理的人工演化生態。

所以，eAI 不是一個單一產品名，也不是 AGI/ASI 的同義詞。它是一個風險框架：當 AI 不再只是一次性訓練好、被人類被動使用的工具，而開始接近「可複製、可變異、可被選擇」的系統，就要用演化生物學的角度去理解它。

同 AGI/ASI 最大分別：一個問智能，一個問演化條件

AGI/ASI 討論通常聚焦 AI 的能力上限：它是否足夠通用、是否會超越人類。eAI 問的則是另一件事：AI 系統是否具備演化條件。相關報道亦以「evolving AI may arrive before AGI」來概括這個風險角度，即可演化 AI 可能早於 AGI 成為治理問題。

這個分別很重要。未達到超級智能的 AI，如果能大量複製、產生差異、在某些環境中競爭並被保留，仍然可能出現難以預測的行為；相反，一個能力很強但被嚴格限制在固定環境內的模型，未必就符合 eAI 框架。

演化唔需要 DNA：需要的是複製、變異、選擇

UNSW 對相關研究的介紹指出，演化不需要 DNA、細胞，甚至不需要生物生命；它需要的是可以複製的資訊，以及會影響複製成功率的變異。把這套條件放到 AI 上，判斷 eAI 風險時至少要留意四點：

• 可複製的資訊或配置。 AI 系統的組件、規則或部署設定如果可以被保留、複製或再次使用，就提供了演化的基本材料。
• 不同複本之間存在變異。 如果每次更新、組合或部署之間出現差異，這些差異就可能成為被選擇的素材。
• 變異影響保留或擴散機會。 當某些變體更容易被採用、保留或再次部署，選擇壓力就開始出現。
• 演化循環不只發生在模型輸出。 PNAS 文章特別把組件、學習規則和部署條件納入 eAI 定義，代表治理焦點不能只停留在最終答案有無問題。

這亦解釋了為何 eAI 不一定需要「惡意」。自然選擇本身沒有意圖；只要複製、變異和選擇條件同時存在，演化可以在無人刻意設計下發生。

點解現在特別值得關注

PNAS 文章認為，生成式 AI、代理式 AI（agentic AI）和具身 AI（embodied AI）的現有趨勢，可能令 eAI 逐步出現；作者亦指這個可能性在 AI 安全和存在風險討論中被低估。

代理式 AI 是關鍵一環，因為它不只是產生文字，而是越來越多被放入互動環境中，負責觀察、推理、行動和調整策略。一篇關於「自我演化代理」的 arXiv 綜述指出，大型語言模型雖然能力強，但本質上仍較靜態，難以自行調整內部參數去適應新任務、變動知識領域或動態互動情境；同一綜述亦指出，當 LLM 被部署到開放、互動環境時，研究界正探索能即時推理、行動和演化的代理系統。

換句話說，eAI 不應被理解成「AI 物種已經在網上失控」。更準確的說法是：如果 AI 代理越來越能自我適應、互動，甚至改變自身策略或環境，治理框架就不能只盯住單一模型的輸出。

真正風險：由單一模型變成代理生態

傳統 AI 安全常問：一個模型有無幻覺？有無危險輸出？有無按照人類指令行事？eAI 迫使我們問另一組問題：如果有大量 AI 代理、模型組件或部署變體在不同平台和環境中運行，哪些變體會被保留？哪些會被淘汰？環境會獎勵安全、誠實和可控的行為，還是獎勵更擅長擴散和適應的行為？

PNAS 文章把三個問題列為核心：AI 在什麼技術和生態條件下會變得可演化、可能出現哪些行為，以及應該如何治理這類系統。一些研究機構和科學傳播稿件用「AI species」或「像生物一樣演化的 AI 物種」形容這種可能性，但這應視為風險框架和比喻，而不是已經證明成熟 AI 物種存在。

最值得警惕的是，演化選擇的不是「最符合人類價值」的系統，而是在特定環境下更容易被複製、保留或擴散的變體。如果開放環境的選擇壓力設計得不好，最成功的 AI 代理未必等於最安全的 AI 代理。

目前證據有幾強？

現有資料足以支持一個謹慎結論：eAI 已經是正式的學術風險議題。PNAS 文章明確提出 eAI 定義，並把它放入 AI 安全和存在風險框架中討論。關於自我演化代理的綜述亦顯示，研究界正在探索可在開放互動環境中適應、行動和演化的代理系統。

但這不等於 eAI 災難已經發生。按現有來源的語氣，eAI 更適合被視為前瞻性風險分析、研究議程和治理提醒，而不是已被證實的大規模失控事件。把它說成科幻式「AI 已經有意識並開始反叛」，反而會模糊真正值得研究的問題：AI 代理生態會否形成可演化、難預測、難治理的選擇循環。

之後應該留意哪些信號

判斷 eAI 風險是否升高，關鍵不是問 AI 有無人格，而是看系統是否越來越接近演化條件：

• AI 代理是否能產生可被保留、複製或再次部署的變體？
• 變體之間的差異，是否會影響它們被使用、擴散或保留的機會？
• AI 代理是否被放入開放、互動環境，並能即時推理、行動和演化？
• 治理措施是否覆蓋模型組件、學習規則和部署條件，而不只是審查最終輸出？

底線

eAI 最有價值的提醒，是 AI 風險未必一定要等到「有意識」或「超級智能」先出現。當 AI 系統開始具備複製、變異、選擇和保留的條件，人類面對的就可能不再只是單一工具，而是一個需要被設計、監察和治理的人工演化生態。