（来源：科技行者）
你有没有想过这样一个场景：一个特别聪明的学生在做开放性研究题，手边有参考资料库，还能上网查资料，结果呢，他查资料的方式特别死板。每次遇到难题，他翻来覆去都在搜同一个关键词，查来的还是上次看过的那几个网页。时间一分一秒过去,他的解法却没有任何进步。
这不是段子，这是2026年AI科研圈真实发生的事。
现在有一类叫做"进化搜索"的AI系统,专门用来帮科学家解决那些没有标准答案、只能靠反复试错优化的难题。比如怎么给量子计算机设计更省电的电路布线方案，怎么给航天器规划更省燃料的星际飞行路线，怎么给基因测序数据去噪。这些问题有个共同特点：你可以评判一个方案好不好，但没法直接算出最优解，只能让AI一次次尝试、一次次改进，就像生物进化那样，优胜劣汰,一代更比一代强。
**进化搜索（Evolutionary Search）**：一种让AI反复生成候选方案、用评估器打分、挑出高分方案继续迭代改进的优化方法,灵感来自生物进化中的"选择-繁衍"机制。
问题是,这类系统目前几乎都是"闭门造车"。它们能参考自己之前试过的方案历史，也能调用AI模型本身学到的知识，但就是不会主动去外部世界找新知识。遇到知识盲区,它们宁可在原地打转，也想不起来"要不我去查查资料"。
这篇来自明尼苏达大学团队的论文,给这类系统装上了一双会学习的眼睛,让它学会了什么时候该停下来查资料，查什么，以及怎么把查到的东西用起来。这个系统叫EvoDuet，中文可以理解成"进化二重奏"，因为它让"解决问题"和"查资料"这两件事像跳双人舞一样配合着前进。
闭门造车到底有多大的问题
先说一组数据，让你感受一下这个问题的真实分量。
研究团队做了个对照实验：给一个叫OpenEvolve的进化搜索系统配上两个版本，一个什么都不给，另一个在每一轮迭代里都塞给它"氧化物文档"，就是那些提前准备好、确定对解题有帮助的参考资料。结果呢，用小模型Qwen3.5-9B跑的那批，有氧化物文档的那组平均进步幅度比没有的那组高出10.3个百分点。用大模型GPT-5.6-Luna跑的那批，提升幅度小一点，但也有4个百分点。
这说明外部知识确实管用，不是摆设。
但紧接着就出现了两个让人意外的发现。
第一个发现是：光给资料不够，还得给AI"多试的机会"。研究者在数学里一个叫"求和求差"的任务上做实验，发现如果AI每轮只生成一个候选答案，塞给它资料也没用，分数反而从15.4%降到14.8%。但如果让它每轮同时生成8个候选答案去对比，分数直接从25.8%跳到40.7%，涨了近15个百分点。
这就像给一个学生一本新教材，但只允许他交一次作业。如果他理解错了，没有重做的机会，这本教材等于白给。你得允许他交好几份不同的尝试，才能让新知识真正发挥作用。
第二个发现更关键：如果不懂得"问题要跟着答案变"，查资料这件事会很快变成无用功。研究者给OpenEvolve装了个普通的搜索工具,让AI在解题过程中自己决定要不要搜、搜什么。结果在"去噪"这个任务上跑了100轮，这个系统确实在99轮里都用了搜索功能，查了185次，看起来挺勤奋。可仔细一看，它翻来覆去查到的网页里，88.1%都是之前已经看过的旧网页。换句话说，它在原地转圈，查的次数不少，但查到的新信息几乎为零。到第50轮之后，它的表现就彻底停滞了，最后得分只有27.7%。
这就好比一个人在图书馆查资料，但他每次都用同一个关键词搜索，结果每次都翻到同一本书的同一页。书架上其他的书他压根没想起来要去碰。
研究者把这个问题的根源归结为一句话：这些系统不知道"自己现在到底缺什么知识"。它们的解法在变，但查资料的问题却是死的，没有跟着解法的演变而更新。
让搜索跟着解题一起进化
研究者的解决方案听起来简单，做起来却需要一整套机制：让"改进答案"这件事和"查什么资料"这件事变成两个互相影响、同步进化的循环，而不是各管各的。
这就是EvoDuet的核心设计，一个**双层优化（Bilevel Optimization）**结构。
**双层优化**：把一个大问题拆成两层嵌套的小问题来解，外层决定主要目标（比如解法好不好），内层决定支撑外层决策所需的子目标（比如该查什么资料），两层互相影响、交替推进。
具体来说，外层循环负责像传统进化搜索那样，不断生成候选解法、打分、挑选最优解进入下一轮。内层循环则专门负责"查资料"这件事：构造搜索关键词，调用网络搜索，再评估查到的文档对改进当前解法到底有没有用。
两层循环之间，有一个关键的"把门人"角色，论文里叫知识缺口检索门（Knowledge-Gap-Based Retrieval Gating）。
**知识缺口检索门**：一种让AI在每一轮迭代开始前先自我评估"我现在改进这个方案还缺什么知识"的决策机制，根据评估结果决定要不要启动搜索。
这个门会在每一轮做出三种选择中的一种。第一种叫"不操作"（NO-OP），意思是AI判断自己现有的知识已经够用了，不用费劲去查。第二种叫"查库"（LOOK-UP），意思是之前搜到的资料里已经有能用的东西，直接拿来用，不用重新上网。第三种叫"检索"（RETRIEVE），意思是现有的知识和之前查过的资料都不够，必须去外面重新找。
这个设计的巧妙之处在于，它逼着AI先回答一个问题："我现在卡住的地方到底是什么？"而不是看到难题就本能地去搜索，或者反过来，一股脑地凭感觉硬写代码。
想象一下你在修一台老式自行车，链条总是卡住。如果你每次卡住就立刻冲去五金店买新零件,很可能买回来的东西根本用不上，因为你压根没搞清楚是链条松了还是齿轮歪了。但如果你完全不去店里，只凭自己瞎琢磨，可能永远想不到"链条张力调节器"这种你压根不知道存在的工具。EvoDuet的检索门就是逼着AI先停下来想一想："我现在到底缺的是哪种零件的知识"，想明白了再决定要不要出门采购。
内层循环怎么决定"该查什么"
一旦检索门判断需要去外面查资料，内层循环就会启动，这是整篇论文技术含量最高的部分。
内层循环的核心思路是：先预测，再搜索。它不会像人一样瞎猜关键词去搜，而是用一种叫假设性证据评分（Hypothetical Evidence Scoring）的方法，先给候选资料打分，再决定查哪个。
**假设性证据评分**：让AI预测"如果用这篇文档改进当前方案，大概能得多少分"，用这个预测分数去排序候选文档，而不用真的生成答案去验证。
这个设计有个很现实的考量：如果每查到一篇资料就真的让AI改一次代码、跑一次评测，成本太高了。所以内层循环选择"先纸上谈兵"，让AI基于文档内容估算一个分数，分数高的文档才留下来用。
论文里有个数据特别能说明这个预测靠不靠谱。研究者统计了4324次检索,发现这个预测分数和最终实际跑出来的分数之间的相关性达到0.86（统计学里这是相当强的相关性了），在全部21个任务里都是正相关，中位数也有0.74。换句话说，这个"纸上谈兵"的预测,确实能帮AI挑出真正有用的资料，不是瞎蒙。
更有意思的数据是关于"查到有用资料到底有多大用"。当检索门判断某篇文档"有希望"（预测分数超过了当前方案的实际得分）时，选出来的新方案有67.1%的概率比上一轮更好。而如果没有查资料，这个比例只有52.1%。也就是说，有了靠谱的推荐机制，改进的成功率从一半出头提升到了接近七成。
但这里有个诚实的提醒，论文自己也强调了：有29次检索,明明预测分数很高，结果实际改进出来反而更差了。这说明预测终究是预测，必须靠真实的评测来验证，不能完全信任纸上谈兵的结论。
这就像你去餐馆点菜，服务员跟你说"这道菜评分很高，很多人喜欢"，但你吃过之后发现根本不合你口味。推荐分数能帮你缩小选择范围，但真正好不好吃，还得靠你自己尝一口。
内层循环还有个细节值得一提，叫人口状态描述（Population State Descriptor）。
**人口状态描述**：对当前所有候选解法的得分分布、父子代改进情况、被选中频率等统计信息做一次总结，让AI了解"目前整个群体的进化状态"，再决定接下来要查什么。
这个设计借鉴了另一个叫EvoX的研究工作。它的作用是让AI不光盯着眼前这一个解法，还能看到整个"种群"层面的进展趋势,比如最近是不是总在原地踏步,是不是某个父代方案被反复选中但没产生好结果。这些信息能帮AI更精准地判断自己到底缺什么。
搜了之后怎么用，用了之后记不记得
查到资料只是第一步，怎么把资料用进解法里，又是另一个问题。研究者对8200次迭代做了细致的行为分类，归纳出六种模式。
最常见的一种叫方法迁移（Method Transfer），占了82次运行里的55次。意思是AI把文档里讲的某个方法或原理，真的用到了自己的解法代码里，而且这个改动最终留下来，没有被后续迭代扔掉。
论文里有个具体的例子特别生动，发生在量子电路布线这个任务上。系统查到一篇叫dSABRE的论文,这篇文章提出用指数衰减的方式给"即将执行的操作"赋予更高权重，离当前执行点越近的操作权重越大。AI把这个思路写进了自己的调度算法里，用一个叫gamma的衰减系数来实现。这个改动一直保留到了最终的最佳方案里，最终的路由方案比业界已发布的参考方案SimpleTES少用了351次交换操作，相当于省了2.31%的开销。
另一种模式叫跨领域迁移（Cross-Domain Transfer），比较少见但很有意思。有个案例是在"厄尔多斯最小重叠问题"这个纯数学任务里，AI查到了一篇雷达信号处理领域的论文，里面提到一种叫04CF5A2471657C6F的十六进制编码，这本来是用来设计低副瓣雷达波形的。AI却把这个编码直接拿来当作数论优化问题的初始解种子，之后连续四次改进都是在这个种子的基础上完成的。
这其实揣摩起来也不奇怪。两个领域看起来风马牛不相及，但本质上都是在"找一个序列，让它和它的某种变体之间重叠最小"，底层数学结构是相通的。好的研究者本来就擅长在不同领域之间发现这种隐藏的对应关系，AI能学会这种迁移能力，说明它不只是在做字面匹配，是真的在理解问题的数学本质。
还有一种模式让人印象深刻，叫公开素材复用（Public Artifact Reuse）。有个案例是在同一个数论问题上，AI不光是看了资料学了方法，它直接从网上下载了一份别人已经发表的、经过验证的最优解，拿来当作自己方案的起点，再进行局部打磨。
这个行为听起来有点"抄作业"的意味，论文的作者团队也诚实地在伦理声明里专门讨论了这个问题，强调所有复用公开成果的案例都被记录了来源，供审查核实。毕竟科研圈对"独立发现"和"站在前人肩膀上"这两者的边界本来就很敏感，这篇论文选择把这件事摆在明面上说清楚，而不是藏起来，这个态度值得肯定。
最后一种值得警惕的模式叫证据驱动的过度冒险（Evidence-Inspired Over-Reach）。有个具体案例是在木星探测器轨迹规划任务里，系统查到一篇文献，预测分数显示"这篇资料能把方案得分从0.63692提升到0.63701"，看起来是个微小但确定的改进。结果AI真的照着这个思路改了代码，实际跑出来的得分却暴跌到0.37713，相当于飞船要多消耗一倍以上的燃料。
这类"预测说好、实际很差"的情况在全部检索里占了20%，而在82次完整运行里，有29次运行里出现过"掉分幅度超过整次运行总进步的10%"这种明显的翻车。好在系统设计上有个保险机制：翻车的方案不会污染"历史最佳记录"，下一轮迭代会从别的分支继续尝试，相当于及时止损。
换个模型会怎样,这是个意外的发现
这篇论文最诚实、也最值得玩味的部分，是它没有回避一个尴尬的结果：这套机制不是对所有AI模型都管用。
研究团队用了三种不同的语言模型做对比：GPT-5.6-Luna、谷歌的Gemini-3.8-Flash,还有一个相对较小的开源模型Qwen3.5-9B。
对前两个模型来说,EvoDuet的效果很显著。用GPT-5.6-Luna时，整体进步幅度从74.1%提升到78.0%；用Gemini-3.8-Flash时，提升幅度更夸张,从61.3%一路涨到82.3%，涨了21个百分点。
但轮到Qwen3.5-9B时，情况反转了：用了EvoDuet之后，整体表现反而下降了14.4个百分点。即便允许它每轮生成8个候选答案，情况依然没有逆转，还是比不装这套机制的时候差4.7个百分点。
这个结果一开始看起来很矛盾。前面明明说过，给Qwen3.5-9B塞"确定有用"的资料能让它进步10.3个百分点，比大模型的提升幅度还大。为什么轮到让它自己判断"该不该查、查什么"的时候，反而表现更差了？
研究者深挖了这个问题，随机抽查了50次Qwen3.5-9B用过资料的改动记录，用另一个AI来评审这些改动是否真的吸收了文档里的方法。结果发现，有6%的情况下，AI压根没把文档里的方法用上，白查了。更严重的是，有20%的情况下，AI确实想用文档里的方法，但实现错了，写出来的代码没能正确反映文档的核心思路。加起来，26%的改动都存在"查了但没用好"的问题。
这个发现其实揭示了一个很朴素的道理：给一个人现成的答案，和让他自己判断什么时候该去查资料、查完之后怎么正确地消化应用，这是两种完全不同的能力。前者是"喂饭"，后者是"自己做饭"。小模型可能在"吃现成饭"这件事上表现不错，但在"自己判断食材、自己下厨"这个更复杂的任务链条上，就显出了短板。
这就像给一个刚学做菜的人一份写得特别详细的菜谱，他照着做能做出一道像样的菜。但如果换成让他自己去菜市场挑菜、自己判断今天该做什么菜,再回家照着自己脑子里模糊的印象去烹饪，出来的成品质量可能就不稳定了。挑菜、判断、烹饪，这是三个独立的技能，样样都要练，不是会做菜就自动会挑菜。
这个发现对实际应用的启示很直接：以后设计类似系统的时候，不能假设"模型越聪明，用这套机制效果越好"是线性的,得具体测试每个模型在"判断知识缺口"和"正确实现查到的知识"这两件事上到底行不行。
查资料真的有性价比吗
最后聊聊一个很实际的问题：这整套复杂的机制，花的成本值不值？
研究者在"基因测序去噪"这个任务上做了一个成本对比。业界公开发布的参考方案SimpleTES，达到满分成绩花费的API等效成本估计是265.39美元。而EvoDuet达到几乎一样甚至略高的成绩（100.27% 对 100%），只花了38.45美元，省了将近7倍的成本。
这背后的逻辑其实不复杂：EvoDuet不是无差别地疯狂查资料，它只在真正需要的时候才启动检索，大部分时候靠自己的判断力和已有的知识库就能继续往前走。这种"按需取用"的策略，天然就比"每次都要查"或者"完全靠蒙"的策略更省钱。
这也是整篇论文最朴素但最打动人的一点：聪明不是指知道得多，而是指知道自己什么时候不知道。一个总是开着搜索引擎不停查资料的人，和一个完全不查资料硬撑的人，都不是真正高效的问题解决者。真正高效的，是那个能准确判断"这个问题我现在到底卡在哪里，这个知识缺口值不值得去填"的人。
论文还提到一个细节，这套机制不是只能装在一种进化搜索框架上，研究者把它接到了另外两种叫Top-K和EvoX的框架上，在"求和求差"和"去噪"这两个任务上都看到了明显提升。这说明EvoDuet更像是一个可以插拔的组件，不是和某一种具体系统深度绑定的专属功能。
写在后面
读完这篇论文,最打动我的其实不是那些漂亮的数字，而是研究者愿意把失败案例原原本本摆出来的态度。那29次"预测说好、实际很差"的翻车记录，那26%没用好查到资料的Qwen案例，这些东西本可以藏起来不说，只留下漂亮的平均提升数字。但他们选择把这些摩擦和不确定性都公开，这让整篇论文读起来更像是一份诚实的实验记录，而不是一份精心包装的成功学。
另一个让我反复琢磨的细节，是那个雷达信号波形意外跑去数论题目里当种子的案例。这件事本质上是个意外的跨界灵感，可它不是人类研究者"突然想到"的，是AI在检索过程中按照相关性排序,机械地把两个领域的资料放到了一起比对,然后发现了可用性。这让我忍不住想,是不是很多所谓"灵光一闪"的学科交叉发现，本质上也只是某种检索和匹配的概率事件，只不过人脑的检索范围和速度，远远比不上一个能同时扫描全网文献的系统。
还有一点值得单独说一说：论文里提到，有的知识哪怕一开始检索完全没有用，比如三次检索到的某个数学变换方法在"去噪"这个任务里始终没被任何候选方案真正采纳，但系统并没有把这个知识彻底扔掉，而是存在一个叫"搜索数据库"的地方，等到后面某一轮，哪怕隔了四十多轮迭代，这个旧知识又被重新捞出来用上了。这种"暂时没用但先存着，说不定以后有用"的机制，其实挺像人类做学问的方式。很多你以为无关的阅读积累，往往要等很久之后，碰到一个合适的问题，才突然显出价值。
Q&A
Q1：EvoDuet是什么？
A：EvoDuet是明尼苏达大学团队提出的一种双层优化方法，让AI在用进化搜索解决科学难题时，能自己判断什么时候该去网上查资料、查什么内容，并把查到的内容真正用到解法改进里，而不是像之前的系统一样闭门造车或者反复查到同样的旧资料。
Q2：EvoDuet对所有AI模型都有效吗？
A：不是。实验显示它对GPT-5.6-Luna和Gemini-3.8-Flash这两个较强的模型效果显著，整体表现分别提升了约4个百分点和21个百分点，但用在相对较小的Qwen3.5-9B模型上反而让表现下降了14.4个百分点，原因是这个小模型经常没把查到的资料用对或用上。
Q3：用EvoDuet查资料会不会很贵？
A：反而更省钱。在基因测序去噪任务上，业界参考方案花费约265.39美元才达到满分成绩，而EvoDuet只花了38.45美元就达到了几乎同等甚至略高的成绩，节省了接近7倍的成本，因为它只在真正判断需要外部知识的时候才启动检索。
