从涡虫再生到 Transformer 与扩散模型，这篇文章真正想追问的，是系统怎样在扰动里重组问题空间，然后继续逼近目标。
涡虫像个猎奇故事，真正被撬动的，其实是我们判断智能的起点
先看一个很怪的例子。
一条涡虫的头被钡离子毒素毁掉了。按常识，它要么死掉，要么卡在原地。可后来它长回了一个新头，新头还带着抗毒能力。
这件事最震撼的地方，不只在于“长回一个头”。更深一层的问题是，系统似乎知道自己该往哪个形态逼近。
再往前一步看，在陌生毒素里长出一个抗毒的新头，说明它没有照着旧脚本机械回放。新约束进来以后，系统找到了新的可行路。
更怪的是，这里看不到一个中央指挥者。大量局部细胞各自感知、比较、修正，最后把整体拉回一个新的稳定状态。
只要把这个例子摆在眼前，我们平时那套提问方式就会开始松动。有没有脑、像不像人、是不是神经网络，这些问题的重要性会往后退。更靠近核心的问题会浮出来：这种纠错能力，到底是怎么被组织起来的？
顺着这个问题往下走，智能的轮廓会变很多。
找路容易理解，难点在地图怎么画，又在什么时候重画
可以先把认知想成一种找路能力：系统在某个问题空间里，持续朝目标态逼近。这叫 navigation。
这里的“空间”很宽。它可以是形态空间、转录组空间、语言空间，或者任何能分出“更接近目标”和“更偏离目标”的结构。
但只要说“找路”，地图就已经默认摆在那儿了。真正会学习的系统，常常还要先回答另一组问题：什么算近，什么更重要，哪些状态彼此可达，哪些旧路径已经失效。
这就是 remapping。它会重写系统内部组织问题的方式。答案会变，路径会变，连“题目长什么样”都可能一起变。
回头看涡虫，逻辑就清楚多了。长回一个头，更像在形态空间里继续逼近目标。毒素约束下长出抗毒新头，则说明连可行路径本身都被重排过一次。
所以谈智能时，先看组织方式，再看材料。材料会变，能不能组织反馈、重排表征、持续纠偏，才更接近问题中心。
问题空间已经给定。系统要做的是在既有结构里逼近目标，像是在一张已知地图上找更好的路径。
问题空间本身也是变量。系统会在新经验到来时，重写哪些差异重要、哪些状态彼此更近、哪些路径真正可走。
真正拉开差距的时刻，往往发生在地图开始变化的时候。
再生、可塑性和物理约束，把“找路”和“改地图”都讲得很具体
涡虫只是开头。蝾螈能从不同截断面再生出完整肢体，被打乱面部结构的蝌蚪，最后也能长回接近正常的蛙脸。
这些例子先说明了一件事：起点就算被打乱，系统也没有丢掉方向。
这更接近 navigation。系统持续比较“现在”和“目标”之间的差距，再靠大量局部更新把整体往回拉。
这样看，基因更像一组偏好、边界和可行域。方向大致在那里，具体怎么长、怎么修、怎么恢复，要在反馈里现场算出来。身体可以理解成在纠错里慢慢长出来的。
remapping 出现在任务和约束变掉的时候。涡虫在毒素环境里长回一个抗毒的新头，是一个例子。盲人的视觉皮层开始处理听觉信息，脑机接口让运动皮层学会控制机械臂，也都属于同一条线。
真正被改写的，是系统内部那张图：什么信号更重要，什么状态更接近，哪些路径还走得通。
这里还有一个很重要的洞见：嵌入本身就是过滤器。
生命不需要先穷尽那个几乎不可算完的生化空间。它只要把过程放进三维物理世界。空间邻近、扩散限制、蛋白折叠这些约束，会先替系统删掉大量错误选项。
所以生物给出的启发很直接：有些系统既会在图上找路，也会在新约束下改图。与此同时，物理世界本身就在帮它做第一轮筛选。
材料完全不同，动作却越来越像
如果细胞和组织已经把这套动作讲得很清楚，AI 值得放在一起看，原因也就简单了：它正在另一套材料里长出相似的骨架。
Transformer。 同一段输入换了上下文，token 之间的关系就会重新排列。什么更相关，什么更接近，会跟着语境一起变化。这很像 remapping。
self-attention 和现代 Hopfield 联想记忆之间的数学等价，又给这种直觉补上了一层支撑。这里牵涉的，不只是一层词序预测，也包括模式检索和误差修正。
Diffusion。 这个过程更直观。模型从噪声出发，一步步去噪、纠偏，最后逼近清晰结构。这很像 navigation：系统沿着一条连续修形的轨迹，把样本往可行形态推近。
Neural Cellular Automata。 很多只看局部邻域的单元，靠局部更新长出整体结构，受损以后还会继续修复。它把前面两件事接到了一起：一边维持整体方向，一边在扰动里重组可行路径。
把这些现象放在一起，最有价值的观察是：重排表征、局部纠偏、逐步逼近结构，这套操作骨架正在不同材料里反复出现。
顺着这条线往前看，下一代更强的 AI，差距未必主要来自答案更快或参数更大。更关键的变量，也许是它能不能长期维护内部世界，能不能在扰动里修复关键表征，能不能让多个局部模块协同起来。
换句话说，系统学到的东西，可能更像一套持续纠错的协议。
它会改变我们看智能的方式，也提醒我们在类比面前保留刹车
如果顺着这条线继续看，评估智能的方式会变得很不一样。比起反复追问“有没有脑”“像不像人”“是不是神经网络”，更值得问的是：这个系统能不能构造一个内部问题空间？环境变了以后，它会不会重组表征？它还能不能继续纠错？
但这张地图还远没有画完。有几条边界最好先记住。
Transformer 可以共享一个比较框架，但这还不够支撑“它们本来就是同一件事”。把它当成一张高生产力的新坐标，会更稳妥。它能帮我们换问题，也会提醒我们别把类比推得太快。
也许智能最深的一层，是把混乱重新整理成自己还能继续行动的形状。
真正强的智能，会一边找路，一边重画地图。