不用一个字，MIT团队让细胞自动机教会了大模型推理

1970 年，数学家约翰·康威发明了“生命游戏”（Game of Life）。在一块无限延伸的棋盘上，每个方格非生即死，遵循几条极其简单的规则：活细胞如果邻居太少就会孤独而死，太多则因拥挤而亡；死细胞恰好有三个活邻居就会复活。

没有人下棋，没有人操控，但这些简单规则跑起来之后，屏幕上会涌现出滑翔机、脉冲枪、甚至可以模拟图灵机的复杂结构。半个多世纪以来，这个实验一直被视为复杂性科学的经典演示，展示简单规则如何生成无穷复杂的行为。

图丨康威的“生命游戏”（来源：WikiPedia）

没人想过这些东西能教 AI 说话。直到现在。

MIT Improbable AI 实验室 Pulkit Agrawal 团队在今年 3 月发表了一篇论文，提出了一个听起来相当不合常理的想法：用类似“生命游戏”的细胞自动机生成的数据，去预训练大型语言模型。这些数据不包含任何文字、任何语义，只是一个 12×12 网格上像素不断演化的轨迹。

图丨Pulkit Agrawal（来源：MIT CSAIL）

但实验结果显示，在这些纯粹的“动态图案”上训练过的模型，在随后的自然语言学习中表现得更好，困惑度（perplexity）降低了最多 6%，收敛速度加快了最多 1.6 倍。更让人意外的是，仅用 1.64 亿个细胞自动机 token 做预训练，效果竟然超过了用 16 亿个真实英语文本（来自 Common Crawl 数据集 C4）做同样的预训练。

这项工作的核心思路可以用一句话概括：语言模型真正需要学习的，可能不是语言本身，而是语言背后的计算结构。

图丨NCA 预预训练到语言预训练的概览（来源：arXiv）

研究团队使用的是“神经细胞自动机”（Neural Cellular Automata, NCA），这是经典细胞自动机的一种推广。传统的细胞自动机（比如康威的生命游戏）使用固定的规则，而 NCA 把规则替换成了一个小型神经网络，具体来说是一个 3×3 卷积加上一层 MLP。

每次生成训练数据时，研究者随机初始化这个网络的权重，等于随机抽取一条全新的动力学规则，然后让它在网格上跑出一段时空演化轨迹。这些轨迹被切割成 2×2 的图像块，映射为 token 序列，再用标准的下一个 token 预测任务来训练 transformer。

换句话说，模型拿到的每一条序列，都来自一个它从未见过的规则。要预测下一个 token，它必须在上下文中推断出这条隐藏规则，然后应用它。这和语言模型在真实文本上做的事情存在某种深层对应。

斯坦福大学马腾宇与 Percy Liang 团队在 2022 年的工作中就曾论证，下一个 token 预测本质上是一种隐式的贝叶斯推断：模型从已有的文本中推断出潜在的“生成概念”，再据此预测接下来会出现什么。NCA 训练把这个过程提纯了。自然语言中混杂着语义快捷方式和共现先验，模型可以“投机取巧”；而 NCA 数据中没有任何语义可以依赖，每一个 token 都在迫使模型做纯粹的规则推断。

这套方法被称为“pre-pre-training”，即在正式的语言预训练之前，先用合成数据做一轮“预预训练”。

训练流程分三步走：先在 NCA 数据上训练 transformer 的非嵌入层权重，再在自然语言语料（网页文本、代码或数学文本）上做标准预训练，最后是针对具体任务的微调。研究者测试了三个下游语料库，分别是 OpenWebText（网页文本，约 90 亿 token）、OpenWebMath（数学文本，约 40 亿 token）和 CodeParrot（代码，约 130 亿 token），在所有三个领域上都观察到了持续的改善。

（来源：arXiv）

在推理基准测试上，收益同样可见。GSM8K 数学推理测试中，NCA 预训练将 pass@1 从 3.8% 提升到 4.4%；HumanEval 代码生成测试中，pass@1 从 6.8% 提升到 7.5%；BigBench-Lite 综合推理测试中，pass@4 从 25.9% 跃升至 36.5%。

绝对数字不算大，这些毕竟是 16 亿参数的模型，而非千亿级的商用系统，但对照实验的一致性指向了一个清晰的信号：从非语言数据中习得的某些东西，确实在帮助模型处理语言任务。

那么，到底是什么被转移了？研究者做了一个拆解实验：在 NCA 预训练完成后，选择性地重新初始化模型的不同组件（注意力层、MLP 层、LayerNorm 层），然后观察下游表现的变化。结果非常明确：重新初始化注意力权重造成的性能损失最大，远超其他组件。这意味着注意力层承载了最多的可迁移结构。

MLP 层的效果则因领域而异：在 OpenWebText 上，保留 NCA 阶段的 MLP 权重反而会干扰语言学习；但在 CodeParrot 上，影响可以忽略不计。

这一发现和最近 Jelassi 等人（2025 年）对混合专家（MoE）架构的分析形成了一定程度的呼应，那项工作表明扩大 MLP 参数主要增强的是记忆能力而非推理能力。两相对照，一幅功能分工的图景浮现出来：注意力层负责学习通用的依赖追踪和上下文推断机制，MLP 层则倾向于存储特定领域的模式和统计规律。正因如此，注意力层从 NCA 到语言的迁移是“万金油”式的，而 MLP 的迁移效果取决于源域和目标域之间的匹配程度。

研究中另一个值得关注的发现有关于复杂性匹配。团队使用 gzip 压缩率作为 NCA 轨迹复杂性的度量，压缩率低意味着数据更有规律、更可预测，压缩率高则意味着更丰富的时空结构。他们把 NCA 数据按压缩率分成几个区间（20-30%、30-40%、40-50%、50% 以上），分别测试各区间对不同下游领域的迁移效果。

结果表明，网页文本和数学文本从高复杂度 NCA（50%+ 压缩率）中受益最大，而代码领域的最优区间在中等复杂度（30-40%）。有意思的是，这恰好与目标语料自身的复杂度特征对齐，OpenWebText 和 OpenWebMath 的 gzip 压缩率在 60-70%，CodeParrot 则只有 32%。

这意味着，合成数据不是“越多越好”或“越复杂越好”，而是需要与目标领域的计算特征相匹配。研究者称之为“domain-targeted data design”，一种自然语言训练中不存在的调控杠杆。你无法轻易改变英语的统计特性，但你可以调整 NCA 的规则空间、字母表大小、复杂度分布，让它精确匹配你想要训练的能力。

这项工作的理论背景可以追溯到几条学术脉络。一条是 MIT 同校 Phillip Isola 团队在 2024 年提出的“柏拉图表征假说”（Platonic Representation Hypothesis），核心观点是不同模态、不同架构的 AI 模型，随着规模增大，内部表征正在趋同，仿佛都在逼近对现实世界的某种共同的统计模型。如果这个假说成立，那么从非语言数据中能学到与语言相通的表征，就不那么令人惊讶了。

另一条脉络来自 Finzi 等人（2026 年）提出的“epiplexity”概念，它指出对于计算能力有限的观察者而言，简单的确定性过程也能生成需要学习才能把握的结构信息。经典信息论认为确定性变换不能增加信息量，但那假设的是全知全能的观察者；对于一个有限容量的 transformer 来说，生命游戏中涌现的滑翔机和碰撞图案，确实包含了它必须“理解”才能预测的东西。

关于“为什么 1.6 亿 token 的自动机数据能胜过 16 亿 token 的英语”，研究者给出的解释是：在远低于计算最优规模的 token 预算下（Chinchilla 定律建议 16 亿参数模型需要约 320 亿 token），自然语言训练主要在学习浅层的局部模式，比如词汇搭配、句法片段这些“表面功夫”。

而 NCA 数据由于每条序列都对应一个独特的动力学规则，多样性极高，冗余性极低，每个 token 都在训练模型做深层的规则推断。加之 Abbas 等人（2023 年）的研究已经表明大规模自然语言数据集内部存在大量语义冗余，NCA 在 token 效率上的优势就变得可以理解了。

不过，目前这个实验的规模还限于 16 亿参数，距离工业级的千亿参数模型还有数量级的差距。NCA 预训练的增益随模型规模增大而递减，400M 模型改善了 8.6%，1.6B 模型改善了 5.7%，这个趋势在更大规模上是否会完全消失，目前还不清楚。

此外，对于较大字母表（n=10, 15）的 NCA，收益在一定 token 预算后出现饱和甚至下降，说明简单地“生成更多 NCA 数据”并不是万能解法。如何从理论上指导合成数据的生成，使其精确匹配目标领域的计算特征，仍然是一个开放的研究问题。

但研究者们的期望不止于此。论文的结尾写道，他们的最终愿景是完全用干净的合成数据做预训练，只在最后阶段用少量经过精心筛选的自然语言来获取语义。当前的“预预训练”框架是这个范式的早期原型。

参考资料：

1.https://arxiv.org/pdf/2603.10055

运营/排版：何晨龙