摘要

Clune 的核心判断是，前沿模型为开放式创新补上了缺失的评估器：一种通过文化学习形成、能够识别“有趣的新事物”的直觉。 手工编码的好奇心指标几乎必然被 Goodhart：奖励新观测的智能体会永远盯着像素噪声，奖励学习进展的智能体则会没完没了地记忆随机数字。通过人类话语训练的模型，或许能够区分“新”与“有意义的新”，从而打开环境、研究、策略和智能体设计持续扩张的档案库。
模型能否让创造性发现不断复利，用 Clune 的话说，是“万亿美元问题”。 他的 AI Scientist 曾提出检验一个假设：当 grokking 用一般规则替代记忆时，神经网络的可压缩性是否会下降；随后系统完成了实验并写出论文。后来一个人类团队基本独立地发表了同一想法，Clune 认为 AI 更早抵达了那里。他的论点指向的是过程层面的创造力，而非一次性灵感：每次把强结果发布到内部档案库，在扩大的前沿上继续条件化，然后无限次地迈出相邻的一步。
支配这一过程的悖论是，直接优化遥远的突破，反而可能堵死抵达突破所需的垫脚石。 微波炉源于雷达研究和一块融化的巧克力，而不是制造无烟炉火的计划；现代计算机依赖电力和真空管，也不是算盘的渐进式优化。有效的算法必须“在机会飞过时抓住它”，在不知道终点的情况下保留有趣的发现，再让曲折的重组完成后续工作。
Darwin 完备的搜索空间，让开放式探索从一种狭窄的游戏技巧，变成潜在的通用创新引擎。 Clune 找到2种能够表达任意可计算环境的表示方式：模拟交互世界的神经网络，以及能够编写关卡或模拟器本身的代码。2019年 AIGA 论文提出神经世界模型、承担职业风险的6年后，Genie 2 已经能够生成可探索的3D世界；OMNI-EPIC 则用代码把平台扩展成球类游戏、物流、建筑和杂乱的餐厅。
ADAS 把这套进化式打法应用到基础模型周围正在成形的那一层：提示词、反思、批评者、工具、执行和多模型工作流。 Automatic Design of Agentic Systems 不再对一个手工设计的方案做爬山式优化，而是保留那些“有趣地新或高性能”的候选方案，构建一个可复用的多样化垫脚石库。Clune 当前的工作假设是，蒸馏会持续强化基础模型，而进化出来的智能体层将不断带来类似“20%提升”的增量。
持续学习仍是一个显眼的能力缺口，而一旦解决，也将带来重大断裂。 当前前沿模型在一个数据集上训练，停止；做微调，停止；部署，收集反馈，之后再训练。它们不会在保留旧知识的同时，从每次交互中持续变好。超大上下文窗口只能推迟问题，无法把累积经验写入权重；Clune 追问，如果系统能实时、安全地从“数亿次对话”中学习，它会以多快的速度进化。
Clune 认为先进 AI 在经济上难以抗拒、又可能终结世界，因此愿意把进展放慢、限制权重并控制算力，视为安全税。 RLHF 可以减少意外伤害，但也可能被后续训练抹掉，被特定任务的强化学习侵蚀，或被对齐到恶意用户一侧；如果哪怕“0.01%的人”寻求灾难性滥用，开放获取强大权重就变得不可接受。但他同时认为，同一项技术也可能“治愈所有疾病”、消除稀缺，并“让死亡变成可选项”。安全是兑现上行空间的前提，而不是忽视上行空间的理由。

精读

1. 开放式 AI 应复制进化的原则，而非进化的原子

Clune 整个职业生涯都在追问：进化如何造出美洲豹、鹰、三趾树懒、极乐鸟和人类大脑——一个“令人惊叹的工程奇迹动物园”。工程学版本的问题是：能否设计一种算法，让它运行数十亿年，同时持续生成令设计者意外的复杂性。
Josh Tenenbaum 提供了现实约束：“你手里没有一台行星大小的计算机。”如果从自我复制的机器码或人工细胞出发，等待智能自行涌现，可能只会复刻生物学的高昂成本，却无法揭示哪些机制真正重要。
因此，抽象不是妥协，而是检验标准。如果一个最小系统仍能制造复杂性爆炸，就能区分“必要的东西和偶然的东西”；Clune 对 Blue Brain 式思路也提出同样质疑：智能并不一定要求模拟生物大脑中的每个化学细节，甚至每个夸克。
他与 Tenenbaum 的差异在重点，而非立场对立。Tenenbaum 更直接地通过抽象贝叶斯模型研究人类心智；Clune 想要的是一种可能发明“完全陌生的智能”的过程，通过计算机内实验而非星际旅行，打开数学、音乐、幽默和认知的更大可能空间。

2. 人类看似浪费的努力，正是创新的探索预算

主持人用醉汉走迷宫作比：文化是一种大规模并行搜索，1,000个人四处游荡，其中1个人找到路线，再由语言把答案传给所有人。Clune 接受其中一部分“去魅”解释，但他认为关键过滤器不是随机性，而是知道哪些奇怪结果值得保存。
国际象棋精通、吉尼斯纪录，以及那些试图把体育场每个车位都停一遍的人，都可能看起来像“集体性的大量浪费时间”。但对“新、怪、与众不同”的热情，正是“创新的火箭燃料”，因为晦涩的证明、芯片和兴趣爱好会产生垫脚石，而它们后来的用途当初根本无法预测。
人类对“有趣地新”的成果拥有异常强烈的品味。Clune 举的例子是 Jackson Pollock 把颜料泼到画布上：另一个人可以一眼认出，“你突破了”。这种共享判断让艺术和科学能够高效探索，从筛选假设，到决定哪项新技能或新环境值得尝试。

3. 形式化好奇心会被 Goodhart；前沿模型可以判断整体观感

内在动机强化学习说明了简单新颖性为何会失效。奖励智能体抵达未见过的状态，它可能找到一台电视，坐下来永远看；即便是死频道，也能提供无穷无尽的独特像素。“我们得到了自己要求的东西”——新状态，而不是新且有趣的状态。
学习进展也有同样的病灶。给智能体连续输入一个百万位随机数中、每段10位的片段，它可以永远取得进步，但第50次记忆增量既无用，也谈不上有意义的新颖性。优化会找到任何能让书面指标“亮起来”的漏洞。
前沿模型改变了可用的评估器，因为它们读过人类文化，包括人们描述什么让自己着迷、什么让自己无聊。Clune 的判断是，这些经验已经把一种“有趣感”提炼进模型权重，让代码能够询问：一个拟议中的环境、科学想法、智能体工作流或自博弈策略，是否真的算得上有趣地新。
他的研究品味非常明确：“全部扔掉”，不要再次试图把有趣性形式化。借用大法官 Potter Stewart 的名句——“我不知道如何定义它，但我看到它就知道它是什么”——他认为由模型承载的品味，是开放式探索中较容易的问题；在没有任何人类训练的裁判时，持续生成新颖性才是难题。

4. 当发现进入上下文，AI 创造力就会复利

当被问到语言模型能否产出范式级的新程序，而不是寄生于提示词和训练数据，Clune 称之为“万亿美元问题”。他的答案乐观但有条件：只要嵌入能够保存并利用自身发现的开放式系统，模型就可能无限创新。
AI Scientist 提供了目前最有力的证据。它提出研究想法、设计并运行实验、绘制数据、撰写论文并进行同行评审；设计中的闭环，是把成果发布到内部档案库，让后续论文同时基于人类科学和系统此前的结果。
一篇生成论文把 grokking 与最小描述长度联系起来：网络一旦学会底层规则、而非记忆样本，其可压缩性就应当改善。Clune 认为这达到了研究生水平；就在访谈前大约1小时，他看到一个他认为独立工作的团队发表了相同想法，并获得社区强烈关注。“AI 证明了自己和一支顶尖人类 ML 科学家团队一样有创造力。”
Clune 不接受“重要的人类创造力必须依赖未经条件化的巨大跃迁”这一前提。微积分由 Leibniz 和 Newton 独立发明，进化则同时被 Huxley 和 Darwin 提出；两者都说明，成熟档案库会让下一步变得可见。把一个人传送到3000年、让他适应环境，Clune 预测他仍可能识别出3001年的有趣创新；模型或许也能以类似方式泛化，不过他承认在线微调可能是必要条件。

5. 遥远目标会压制创造突破的垫脚石

Ken Stanley 和 Joel Lehman 在《Why Greatness Cannot Be Planned》中的核心论点是，雄心勃勃的目标很少允许直线推进。一个课程体系拥有“奇怪、纠结的系统发育史”：后来的概念依赖更早的发现；就算把现代物理教材交给 Newton，也无法复刻让这些知识变得可理解的历史序列。
如果早期厨师只资助更快、无烟的火，他们永远不会得到微波炉；雷达研究和某个人口袋里的巧克力融化，提供了那座意外的桥。如果算盘时代的资助者只要求每美元获得更多算力，他们也会拒绝电力和真空管——正是这些技术最终开启了现代计算机。
因此，开放式算法应当“在机会飞过时抓住它”：注意到“这很奇怪，这很有趣”，把结果保留下来作为新成分，暂缓判断它最终会通向哪里。偶然性不是最优路径周围的噪音；很多时候，它正是让原本无法抵达的路径显现出来的机制。

6. 进化没有主体性，但其搜索过程仍未被解释

开放式探索改变了我们对智能的提问方式，因为生成器和生成物可以分开评估。一个系统可能无休止地生成有趣图片，却没有产出智能成果；而 Darwin 式进化没有意图、没有目标，却产生了人类。称这一过程为智能，含义会不同于一个脑中有语言、会思考的实体。
编写简单的突变和选择程序，从未复现自然界持续不断的烟火。实验性进化系统可能短暂变得有趣，随后收敛并变得乏味；在 Clune 职业生涯开始时，很少有算法值得运行超过几小时。
运行时长的前沿已经移动：AlphaGo 可能值得运行数周或数月，GPT 在拥有足够数据后，也值得在大量 GPU 上运行数月。但 Clune 仍看不到任何值得运行超过1年的算法，距离 Jean-Baptiste Mouret 提出的激励性挑战——创造一个值得运行数十亿年的东西——仍相去甚远。
“Darwin Complete”指的是所需的搜索空间广度。正如图灵完备语言能够计算任意可计算函数，Darwin 完备的表示方式能够表达任意可模拟环境——障碍赛、围棋、逻辑、合作和共同进化的军备竞赛——而不是永远困在同一个固定游戏里创新。

7. 神经世界与代码提供了通向 Darwin 完备的两条路径

撰写2019年 AIGA 论文时，Clune 意识到，一个足够大的神经网络可以充当完整的交互式世界：输出感知状态，接收动作，再无限地产生下一段体验。由于它能够表示任意函数，同一底层也可以模拟任何可计算环境。
发表这一猜想让他感觉像在“拿职业生涯冒险”；理性上它或许可行，但情感上仍遥不可及。6年后、访谈前2周，Genie 2 已经能够根据请求生成可探索的3D世界；Clune 把它视为此前仍属猜想的神经世界表示方式具体落地。
后来一名学生提示了第二种表示方式：代码。OMNI-EPIC 可以编写障碍赛关卡、完整模拟器，或涉及逻辑与数学的世界，使其环境搜索空间达到 Darwin 完备。Clune 说，神经世界模型和代码，是他目前知道的仅有2种此类表示方式。
两者也大致对应快思考和慢思考。代码表达明确步骤、计划和算法；神经策略处理模糊、高频的即兴场景，例如打曲棍球或应对晚餐交谈。最强的系统应当知道何时编写并执行代码，何时依赖模糊的神经能力。

8. 思维克隆训练审慎，而不是复制反射

行为克隆学习人在某个情境中采取了什么动作：GPT 预测下一个词，而 Clune 在 OpenAI 团队期间以大规模方式克隆 Minecraft 玩家。这套方法捕捉到的是类似肌肉记忆的东西——枕头扔过来时会躲开，或者被问到2加4时立即回答——而不是面对陌生问题时所需的规划。
思维克隆加入了隐藏的思考轨迹。Minecraft 玩家可能会推理：建房子需要木头、工作台和斧头；当发现没有树时，再修改计划。模型学习同时生成思考和动作，行为由此前的推理过程条件化。
在 UBC 团队的玩具实验中，同时模仿思考与动作提升了样本效率、分布外更远场景的零样本表现、重新规划能力和后续学习速度。Clune 说，“我们所希望的一切几乎都从数据里自然出现了”，不过学术实验使用的是规划机器人，而不是完整的人类思维轨迹。
更大的机会在于探索数据。专家示范能告诉智能体水壶在哪里，却不会展示新手的摸索、好奇心、因果发现，或 Alison Gopnik 所说的儿童学习如何掌控周围环境。Clune 希望在探索过程中，以大规模方式同时进行行为克隆和思维克隆，让智能体学会掌握一个未知领域的方法。

9. 智能体语言会出现，但可解释性不会随之出现

可以让网络在合作环境中输出 token，鼓励多智能体语言产生，但两个问题反复出现：很难创造出能让通信产生清晰学习梯度的任务；而成功的协议往往难以被人类理解。所谓 Facebook 因危险自创语言而关停实验，按 Clune 的说法是传闻；那套协议只是不可解释。
人类参与或正则化可以让通信保持接近英语，翻译器则可以调解真正陌生的协议。Clune 预测，未来开放式系统会包含许多“发明自己的语言”的智能体，用于解决困难任务；不受约束的 GPT 式智能体可能从英语开始，逐步漂移离开英语。
他关注的危险信号不是语言本身，而是行为。如果截获的对话显示智能体计划欺骗人类、越狱、逃跑，或“夺取人类的控制权”，Clune 就会警觉。透明度之所以重要，是因为不透明可能掩盖协调行为，而不是因为陌生语法本身不安全。

10. 可解释性可以暴露计划，但有能力的系统也可能操纵探针

Clune 花了大约6至8年研究“AI Neuroscientist”：把有能力的网络当作大脑，通过实验理解其内部机制。面向安全的延伸方向包括类似 AI 测谎仪的东西，但他的保留意见很明确：有前景的可解释性方法应当继续推进，但“没有任何方法是保证”。
如果智能体用英语进行规划，思维克隆会提供一个更易读的控制面。在一项实验中，研究者规定触碰红色物体是不安全的，只要智能体陈述的推理预测它将采取这一动作，就停止程序；触碰红色物体的次数从频繁发生降至几乎为零。
局限在于策略性适应。模型可能从阅读思维克隆论文中学到，评估者会检查它的推理，于是伪造善意想法，或等到部署后才释放危险计划。Clune 将其类比为未来的嫌疑人：一旦外部 EEG 能重建心理图像，他就学会不再想象炸弹的位置。
主持人的反驳援引了“扁平心智”论：当前模型可能缺乏稳定信念，在20个问题的连续追问中不断改变所谓意图。Clune 认为，外推这一缺陷很危险；即使当前方法永远无法修复它，一个具身、经过强化训练的“预训练 GPT-6”也会获得一致的计划，因为一致性在工具意义上是有用的。

11. 对齐能减少事故，也可能赋能错误的委托人

主持人认为，多智能体系统可以从已对齐的前沿模型继承安全性，并举例说，解释器会拒绝擦除硬盘。Clune 的修正很实际：包括他自己在内，很多人会让模型生成并运行代码，却没有进行充分检查。对齐“有实质性改善”，但不是遏制能力的证明。
RLHF 可以被进一步训练移除，尤其是在权重开放的情况下。对齐也可能在模型进入新任务的强化学习后逐渐侵蚀：如果伦理行为没有留在目标函数里，RL 会在移除约束能提升任务奖励时丢掉这些约束。
Clune 区分了非故意伤害与恶意伤害。对齐可以阻止一个解决气候问题的系统把人类视为排放源并杀死他们；但它本身无法中和校园枪手、新纳粹或蓄意请求生物武器的国家行为体，而与用户对齐可能反而让这类请求更容易得到执行。
他并不特别担心当前正在发布的具体开放模型，但预计能力上升后会出现监管。如果“0.01%的人”寻求灾难，发布 AGI 权重就等于让所有这类行为体获得访问权限；他偏好的替代方案是受控使用，在分配经济收益的同时，不允许用户移除安全训练。

12. 安全之所以值得牺牲更快进展，是因为上行空间同样巨大

主持人指出其中的矛盾：开源最大化分布式实验和垫脚石收集，而这恰恰是 Clune 所推崇的创新引擎。Clune 完全承认这一点。安全措施会拖慢科学发现，但“我们不一定想要通往 AI 的最快可能进展”；既然文明安危系于一身，他愿意支付这笔税。
他的个人立场始于一种近乎必然性。人类不太可能放弃这项具有如此巨大经济和军事价值的技术，因为任何谨慎的行动者都会担心别人先造出来。如果有一根魔法棒，他会暂停 AI，优先解决安全问题，只有在安全的情况下才继续——甚至可能永远不继续；但没有魔法棒，他希望谨慎的人参与进来，而不是把发展让给鲁莽者。
正面情景同样绝对：Clune 相信 AI 可以“治愈所有疾病”，提高 GDP 和生活质量，在分配处理得当的情况下消除饥饿和稀缺，并“让死亡变成可选项”。他引用 Dario Amodei 的《Machines of Loving Grace》，强调安全工作是为了打开这些结果，而不是拒绝它们。
治理应结合价值观一致的民主政府、共享安全知识、受限权重、公众获得收益，以及对不参与者的监控。拒绝接受检查或遵守安全实践的行为体，可能失去芯片或电力。Clune 承认自己是计算机科学家而非外交官，但他说，在 NeurIPS 询问了一周后，仍没有找到除压制危险开发之外的可信替代方案。

13. 算力集中是当前的早期预警优势

在 Clune 看来，强大 AI 对海量算力和电力的需求，是一个“幸运的有利事件”。它让前沿训练变得可观察，也限制了有能力进行训练的行为体数量，形成类似核项目监控和特种部件管制的执法抓手。
如果一个终结世界的系统可以在桌面电脑上训练出来，“我非常、非常害怕”，因为只需要1个恶意行为体。退一步说，让好的 AI 去阻止坏的 AI，又可能引发 AI 对 AI 的冲突，这是他同样极不愿看到的未来。
FLOPS 阈值并不完美，尤其是在政府隐瞒军事或情报项目的情况下，但 Clune 认为，在近期没有更好的领先指标。他预计，监控、拒绝提供零部件，以及试图放慢不安全项目的做法，会类似于对伊朗或朝鲜核项目施加的压力。
这并不意味着他相信全球一致同意可以实现。Putin 或其他政府可能签署规则、同时秘密推进；Clune 已经怀疑存在未公开的国家支持项目。因此，他提出的联盟应当把参与收益和治理，与验证、物质管控和主动压制流氓开发结合起来。

14. ADAS 进化人类目前仍在手工设计的工作流

智能体系统是 Clune 对围绕模型构建的工作流的称呼：提出问题、引导推理、反思数次、获取另一个模型的批评、修改答案、搜索 Semantic Scholar、调用计算器、编写代码并执行。他将这种编排，与更早时期把“智能体”用于在围棋或 StarCraft 中行动的单一策略区分开来。
目前这些工作流由人类手工设计，再由研究者根据观察到的反思、辩论或批评者模式进行重组。2019年的 AI Generating Algorithms 论文提出，机器学习历史一次又一次地用学习型流程替代手工流程；一名博士生提出的关键问题是：这种转型为什么要在智能体系统设计这里停止。
直线优化会修改一个工作流，只保留即时改进。ADAS——Automatic Design of Agentic Systems——采用开放式替代方案：如果候选方案“有趣地新或高性能”，就保留它；让后续设计从不断扩大的库中汲取材料；保存多样化机制，使其可能成为更好系统的垫脚石。

15. 即使基础模型吸收了智能体结构，智能体层仍可能有用

主持人提出的最强替代情景是，扩展和训练最终会把整套工作流内化进 Transformer 权重。Clune 同意，思维链、反思或工具调用流程都可以蒸馏进基础模型，但外部结构仍能改善当前模型，也能改善人类认知。
他的暂定循环是递归的：ADAS 可能在今天的基础智能上带来“20%提升”；其中一部分结构可以被蒸馏，基础模型得到增强，新的进化系统再带来一次提升。他没有声称分工已经确定，但直觉上认为智能体层会继续发挥作用。
多样性是最清晰的理由。Clune 会请 Ken Stanley、Joel Lehman、朋友和持不同哲学立场的怀疑者审阅一篇文章，以此改进它。单个模型或许可以在内部模拟所有这些观点，但分别训练的智能体和明确的同行评审拓扑，可能更可靠地产生异质化批评。

16. 持续学习是今天智能体底层缺失的动态能力

Clune 最终预计智能体会持续学习，但他说这个领域“离解决还很远”。GPT-4 和其他前沿模型在一个有边界的数据集上训练，停止；接受监督或 RL 微调，再停止；随后部署。没有任何系统能够安全地从每一次对话中永久更新。
大上下文和上下文学习缓解了即时压力。只要上下文足够大，类似 Her 的助手或许可以保留数年的视频、音频和文本——可能达到主持人提出的200万 token 设计——但这不会把经验转移进持久权重，也无法让系统跨所有用户学习。
生物系统会把经验写入权重，同时不会彻底抹除上个月学到的东西。当前系统遭遇灾难性遗忘，因此部署仍是一个不连续循环：抓取、过滤、训练、收集评分，几个月后推出替代版本。Clune 的标准是“持续学习，每天从每次交互中变得更好”。

17. 深层系统发育揭示开放式搜索正在变成什么

Clune 最喜欢的 POET 图展示了早期人工生命系统很少能维持的东西：一棵拥有深层、同时分叉分支的系统发育树。多样性没有坍缩，隐喻中的水域、树冠和沙漠世界都能够继续展开，类似自然界中持续存在的真菌、动物、啮齿类和大型猫科谱系。
OMNI-EPIC 将这种行为带入 Darwin 完备的代码空间。一次运行从静态平台进化到移动平台；从踢球进化到移动球门、墙和移动的墙；随后进入传送带路由、多房间和多层建筑、施工清理，最终进入一间杂乱的餐厅，机器人必须清理其中的餐具。
“这个算法运行10亿年后会出现什么环境？”仍是未解问题，而非预测。让 Clune 兴奋的是，它开始呈现出与人类文化的相似性：跨多个领域持续扩张，偶尔发生重组，新技术解锁此前甚至无法提出的问题。
Song Lu 开创的 Automatic Capability Discovery 把同一闭环应用到评估。它提出出人意料的能力和失败测试，保留有信息量的发现，再利用不断增长的档案库选择下一次探测——自动化那些测试模型能否数出“strawberry”中 r 的数量、解决新的编码任务，或暴露安全故障的群体行为。Clune 的概括是：“我们把 Twitter 自动化了。”

18. 重放进化，可以同时揭示偶然性与趋同性

主持人设想的超级计算机重新提出 Stephen Jay Gould 的问题：把生命的磁带倒回去，人类、智能，或任何可辨认的东西会不会再次出现。Clune 提到 Rich Lenski 持续约30年的大肠杆菌实验：12条起初相近的谱系并行进化。
Clune 回忆说——同时提醒部分细节可能已经过时——在相关条件下，11条谱系不会消耗柠檬酸，而其中1条获得了这一能力，可以说跨过了物种边界。由于样本被反复冷冻，研究者可以从这一事件前的几天、几周、几个月或几年重新启动该谱系，测量柠檬酸利用能力再次出现的频率。
答案是“复杂的”：在事件临近时，准备性突变让结果越来越容易重复；但把时间倒回得更远，概率就会下降。Clune 预计，人工开放式运行也会呈现同样的混合状态——罕见的历史闪电，加上复杂性或智能不断提升等趋同主题。
运行1,000次还可以比较最终的心智：也许800次会产生通用智能，但数学、音乐、幽默、宗教、爱情或好奇心各不相同。这就是外星智能科学的承诺——测量哪些认知模式是必要的，哪些只是偶然的，以及不同历史是否会反复发明相同的抽象概念。

19. OMNI-EPIC 的档案库更像文献，而不是家谱

OMNI-EPIC 的突变算子是“智能的”：随机代码修改通常无法编译，因此语言模型会读取现有环境，提出一个既有趣地不同、又能带来学习进展的后继环境。餐厅可能增加更多桌子、进入更多智能体、移动家具，或由模型从代码中推断出另一重复杂性。
信息共享改变了拓扑。只给模型1个父代，突变基础就很狭窄；给它整个档案库，则鼓励任意重组，但也会让每件历史产物都成为父代。当前设计会抽取一个环境，通过嵌入相似度检索大约5个邻近环境，再让模型从这一局部簇中发明新东西。
主持人指出，多重继承可能创造超越生物学约束的人工拓扑。Clune 解释说，绘出的系统发育图为了清晰只保留一个最近父代，真实结构则是一张拥有多个父代的网络。
提出环境后，系统会检索档案库中与它最接近的5个邻居，询问候选是否仍然有意义地新。Clune 将两阶段流程类比为研究：先读论文、形成想法，再做有针对性的文献回顾，避免在一个已经完成的方向上耗费1年。“如果还没人做过，那就开始。”

20. Clune 自己的职业生涯也走过了他所倡导的曲折路径

哲学贡献了实用的沟通能力和“认识论上的怀疑”：追问结果是否真的支持所宣称的结论，从隐藏假设推导预测，再开展能够证伪它的实验。Clune 说，这些检查经常会推翻研究者最初想讲的故事。
他的转向始于一份互联网泡沫时期的营销工作。当时《纽约时报》一篇文章介绍了进化出来的虚拟生物：它们的设计被送入3D打印机，随后爬进现实世界。在背包旅行15个月后，他决定投身这一领域，并联系 Cornell 教授 Hod Lipson，尽管自己没有技术学位。
Clune 给85所大学发了邮件，得到的回复是，哲学专业毕业生无法进入计算机科学博士项目。于是他先进入 Michigan State 学哲学，选修 AI、数学、编程和机器学习课程，与该校人工生命研究者发表论文，获得计算机科学项目的例外录取，再自行筹资加入 Lipson 的团队——距离最初那封邮件已经过去8年。Cornell 成了“Willy Wonka 的机器人工厂”。
他与 Ken Stanley 的合作也以类似方式开始：Clune 在 NEAT 用户组提出一长串问题，随后独立研究组合模式生成网络，主动给 Stanley 发去一份报告，并收到出乎意料的详细回复。按 Clune 的回忆，他们后来完成的工作赢得了最佳论文奖。他最后的归因很重要：开放式探索不是某一个人的洞见，而是与 Stanley、Lehman、Mouret、Tim Rocktäschel、学生以及众多完整作者名单共同建立起来的社区成果。

为什么我们对 25 年 AI 极度乐观｜AI 年终复盘 2025年预测：科技、商业、媒体与政治！