無變異的突變：LLM 驅動程式演化的收斂動態研究
arXiv - Artificial IntelligenceCan Gurkan, Forrest Stonedahl, Uri Wilensky
研究發現 LLM 在驅動程式演化時會出現結構性收斂，導致變異陷入重複的模式而非持續探索新形式。
AI 幫你先抓重點
AI 重點 1
LLM 的語義理解能力是一把雙面刃
滑鼠懸停看 AI 判斷理由
LLM 雖然能進行具備語義意識的程式轉換，但這種能力同時帶來了結構同質性的偏誤，這提醒開發者在設計自動化學習或程式生成系統時，必須意識到模型內建的收斂傾向。
AI 重點 2
警惕「偽演化」現象
滑鼠懸停看 AI 判斷理由
當我們利用 AI 進行知識建構或程式演化時，表面上的變異可能只是在重複舊有的結構模板，這會導致系統陷入局部最優解，無法實現真正的開放式探索與創新。
核心研究發現
- 1
LLM 驅動的突變鏈會持續收斂至程式空間中的受限吸引子區域，而非進行開放式探索。
- 2
在 87% 的突變鏈中，超過 93% 的突變會重複出現已見過的結構形式，變異僅侷限於模板內的終端替換。
- 3
這種收斂現象在不同提示詞設計與模型家族中皆具備魯棒性，且與傳統遺傳演算法的突變機制明顯不同。
- 4
循環分析顯示，突變過程由短循環與自我迴圈主導，顯示其演化路徑缺乏多樣性。
對教育工作者的啟發
對於開發基於 AI 的程式學習工具或自動化教學系統的設計者而言，此研究提供了重要的警示：若僅依賴 LLM 的原生突變能力，系統可能會陷入「原地踏步」的循環。建議在設計如程式自動生成、程式碼重構練習或知識建構工具時，應引入非 LLM 的機制（如傳統遺傳演算法的算子或結構擾動機制），以打破 LLM 的結構同質性偏誤，確保學習者或系統能進行真正的開放式探索與多樣化學習。
原始文獻資訊
- 英文標題：
- Mutation Without Variation: Convergence Dynamics in LLM-Driven Program Evolution
- 作者：
- Can Gurkan, Forrest Stonedahl, Uri Wilensky
- 來源：
- arXiv - Artificial Intelligence
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。