可演化 AI 是什麼？不必等到 AGI 才該擔心的風險

因此，eAI 不是某家公司推出的單一產品，也不是 AGI/ASI 的換名。它更像是一個風險分析框架：當 AI 不再只是被訓練好、被動等待人類使用的工具，而逐漸接近「可複製、可變異、可被選擇」的系統，就需要用演化生物學的眼光來理解它。

與 AGI/ASI 差在哪：一個問「有多聰明」，一個問「能不能演化」

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 系統是否具備演化所需的條件。

相關報導也以「evolving AI may arrive before AGI」概括這個角度，也就是可演化 AI 可能早於 AGI 成為治理難題。這個差別很關鍵：一個尚未達到超級智能的 AI，如果能大量複製、產生差異、在不同環境中競爭並被保留，仍可能出現難以預測的行為；相反地，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 的風險框架。

演化不需要 DNA，需要的是複製、變異與選擇

澳洲新南威爾斯大學（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 風險時至少要看四件事：

• 是否有可複製的資訊或配置。 AI 系統的組件、規則或部署設定若能被保留、複製、重新使用，就提供了演化的基本材料。
• 不同複本之間是否存在變異。 每次更新、組合或部署若產生差異，這些差異就可能成為被選擇的素材。
• 變異是否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。
• 演化循環是否超出最終輸出。 PNAS 文章特別把組件、學習規則與部署條件納入 eAI 定義，代表治理不能只看模型最後回答了什麼。

這也說明了為何 eAI 不一定需要「惡意」。自然選擇本身沒有意圖；只要複製、變異與選擇條件同時存在，演化就可能在無人刻意設計的情況下發生。

為什麼現在特別值得注意

PNAS 文章認為，生成式 AI、代理式 AI（agentic AI）與具身 AI（embodied AI）的既有發展趨勢，可能使 eAI 逐步出現；作者也指出，這種可能性在 AI 安全與存在風險討論中被低估。

其中，代理式 AI 是關鍵一環。它不只是產生文字，而是越來越常被放進互動環境中，負責觀察、推理、行動與調整策略。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很強，但本質上仍相對靜態，難以自行調整內部參數來適應新任務、變動的知識領域或動態互動情境；同一篇綜述也指出，當 LLM 被部署到開放、互動環境時，研究界正在探索能即時推理、行動與演化的代理系統。

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

真正的風險：從單一模型變成代理生態

傳統 AI 安全常問：一個模型會不會幻覺？會不會產生危險輸出？有沒有遵循人類指令？eAI 迫使我們換一組問題：如果有大量 AI 代理、模型組件或部署變體在不同平台與環境中運作，哪些變體會被保留？哪些會被淘汰？環境會獎勵安全、誠實與可控的行為，還是獎勵更擅長擴散與適應的行為？

PNAS 文章將三個問題列為核心：AI 在什麼技術與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。一些研究機構與科學傳播稿件會用「AI species」或「像生物一樣演化的 AI 物種」來形容這種可能性；但這應視為風險框架與比喻，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不當，最成功的 AI 代理未必等於最安全的 AI 代理。

目前證據有多強？

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，並將它放入 AI 安全與存在風險框架中討論。關於自我演化代理的綜述也顯示，研究界正在探索可在開放互動環境中適應、行動與演化的代理系統。

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、研究議程與治理提醒，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 代理生態是否會形成可演化、難預測、難治理的選擇循環。

接下來該觀察哪些信號

判斷 eAI 風險是否升高，關鍵不是問 AI 有沒有「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、行動與演化？
• 治理措施是否覆蓋模型組件、學習規則與部署條件，而不只是審查最終輸出？

底線

eAI 最重要的提醒是：AI 風險未必一定要等到「有意識」或「超級智能」才出現。當 AI 系統開始具備複製、變異、選擇與保留的條件，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、監測與治理的人工演化生態。