零数据预训练：两个AI从白纸开始，居然学会了斐波那契

想象一下：把两个刚出生的婴儿放在一个空房间里，没有书、没有语言输入、没有任何人类知识。一个婴儿负责"出题"，另一个负责"猜题"。出题的婴儿只会写一种极简的编程语言（8条指令），写完之后在图灵机上跑，产出一段字节流。猜题的婴儿要预测下一个字节是什么。

听起来像是注定失败的实验？但斯坦福和特拉维夫大学的研究团队真的这么干了——用两个随机初始化的Transformer，零训练数据，结果它们不仅学会了预测自然语言文本，还自发发现了斐波那契数列、等比数列、二次和三次多项式序列。

论文：Self-Play Pretraining with Zero Data（arXiv: 2609.30063）

核心问题：数据是瓶颈，还是计算是瓶颈？

当前语言模型的预训练范式可以简化为一个公式：更多数据 + 更多计算 = 更好模型。但这里有个隐藏假设——数据需要人类来生产、清洗、标注。互联网文本、代码库、学术论文，全都是人类知识的产物。

这就引出一个根本问题：如果模型自己能生成训练数据呢？

不是用大模型蒸馏小模型，不是用GPT-4生成数据训练GPT-5。而是从随机初始化开始，两个模型互相博弈，一个负责"造数据"，一个负责"学数据"。如果这能work，那预训练的瓶颈就从"人类知识"变成了"计算量"。

这不是科幻。这篇论文就是第一个proof-of-concept。

方法：生成器+学习器的自博弈循环

整个架构异常简洁，两个角色：

生成器（Generator）：一个Transformer，负责写程序。程序用一种类似Brainf\*ck的图灵完备语言编写——只有8条基本指令（移动指针、增减字节、读写、循环），但理论上可以计算任何可计算的东西。

学习器（Learner）：另一个Transformer，架构相同，负责预测程序输出的字节流。训练目标就是标准的下一token预测（cross-entropy）。

每一轮自博弈的流程：

1. 生成器采样N个程序 2. 每个程序在通用图灵机上执行，加上随机输入带，产出字节序列 3. 学习器在这些字节序列上做一步梯度下降 4. 生成器根据"学习进步奖励"做一步策略梯度更新

关键在第4步。生成器的奖励不是"让学习器loss最低"——那样它只会生成最简单的程序。奖励是学习进步量：程序要刚好在学习器的能力前沿上。太简单的程序，学习器已经会了，没进步；太难的程序，学习器学不动，也没进步。

这就像一个好的老师出题：不能太简单（学生无聊），不能太难（学生崩溃），要刚好在学生的"最近发展区"。

程序池的三层设计

每一轮，生成器不是只从零开始采样。程序池由三部分组成：

• Fresh：从生成器当前策略新采样的程序，负责全局探索
• Mutation：对之前高奖励程序做变异，负责局部精炼
• Replay：从早期轮次回放程序，防止灾难性遗忘

这个设计和AlphaGo的自博弈有异曲同工之处——都需要在探索新策略和巩固已学策略之间平衡。

结果：自然数据上的零样本缩放

这是最让人惊讶的部分。两个模型从头训练，训练过程中从未见过任何自然数据。然后直接在自然数据上做零样本评估（zero-shot，不做任何梯度更新）。

结果：在文本（DCLM）、图像、原始音频、音乐、DNA、形式数学、C源代码等多个模态上，零样本loss随自博弈计算量呈幂律下降。

更惊人的是：自博弈的缩放指数（scaling exponent）和直接在自然数据上训练的缩放指数相当。

这意味着什么？自然数据预训练之所以有效，可能很大一部分原因不是因为它教会了模型"关于这个世界的事实"（contingent information），而是因为它教会了模型"通用的预测结构"（universal predictive structure）。而后者，可以通过自博弈从计算中生成。

涌现的数学结构

生成器在训练过程中自发发现了人类认识的数学序列：

这些不是硬编码的——生成器从随机初始化开始，通过RL探索程序空间，自己"发现"了这些结构。程序池中这些数学序列的频率远超53000次，说明它们对学习器特别有用。

上下文学习（ICL）的涌现

自博弈预训练的模型还发展出了上下文学习能力——在完全没见过的任务上，通过few-shot示例就能推断规则。

以SUM任务为例（对字节做4位低位加法），模型的行为演化很有意思：

• 初始：预测最常见的字节（先验）
• 2-3个示例后：开始复制之前的字节
• 4个示例后：开始正确计算低位加法
• 8个示例后：开始正确计算高位加法
• 之后：锁定正确策略，置信度持续上升

这个过程和人类学习新任务的轨迹惊人相似：先有初始困惑，然后尝试简单策略，遇到挫折后扩大搜索范围，最后锁定正确方法。

理论框架：通用数据假说

论文提出了一个优雅的分解来解释这些结果。自然数据中包含两种信息：

偶然信息（Contingent Information, \(D_c\)）：关于这个特定世界的事实。比如"巴黎是法国首都"、"水在100度沸腾"。这些信息只能通过和这个世界的交互获得。

通用预测结构（Universal Predictive Structure, \(D_u\)）：跨领域共享的预测规律。比如"序列中的模式会重复"、"条件概率分布有结构"、"信息可以被压缩"。

传统预训练的scaling law公式：

论文将其细化为：

自博弈预训练中，\(D_c\)固定为零（没有自然数据），只有\(D_u\)在增长。如果\(D_u\)随自博弈计算量T呈幂律增长（\(D_u(T) ∝ T^η\)），那么：

这就解释了为什么自博弈\(loss\)呈幂律下降——它在增长的是通用预测结构，而通用结构是自然数据scaling law的重要组成部分。

自博弈的缩放指数和自然数据预训练的缩放指数相当，这暗示：自然数据scaling law中相当一部分增益来自通用预测结构的学习，而非偶然信息的积累。

自博弈作为预训练加速器

论文还有一个实用发现：自博弈预训练可以加速后续的自然数据训练。

把自博弈训练完的checkpoint作为起点，再在自然数据上训练，比从随机初始化直接在自然数据上训练更快收敛。这就像自博弈给模型打了一个"通用结构底子"，后续学具体知识更高效。

这和人类教育有类比：先学数学和逻辑（通用结构），再学具体学科（偶然信息），比直接从具体学科开始更高效。

工程洞察

1. "造题比做题更难"的AI版本

生成器的训练比学习器难得多。学习器只需要做下一token预测（监督学习），生成器需要学会在巨大的程序空间中搜索有用的程序（强化学习）。这解释了为什么需要程序池的三层设计（fresh+mutation+replay）——纯RL太不稳定，需要SFT做锚定。

2. "最近发展区"的自动化

维果茨基的"最近发展区"理论在这里被量化为"学习进步奖励"。生成器被激励产出"学习器刚好能学但还没学会"的程序。这是自动化的课程设计，不需要人类专家定义难度梯度。

3. 图灵完备性作为归纳偏置

选择Brainf\*ck这样的通用图灵机语言作为程序空间，意味着不引入任何领域特定偏置。任何可计算的数据生成过程都可以被表示为程序。这是"最小归纳偏置"原则的极致体现——让搜索算法自己发现什么有用。

4. "白纸"设定的科学价值

作者强调tabula rasa（白纸）设定是"受控科学实验"而非"最实用的预训练方法"。实际中，自博弈可以从已有checkpoint开始，不必从随机初始化开始。关键科学问题是：自生成的经验能否在自然数据耗尽或变得冗余后继续扩展前沿？答案是肯定的。

个人思考

这篇论文让我想到一个深层的哲学问题：什么是"学习"？

传统观点认为，学习是从数据中提取信息。但这篇论文展示了一种不同的学习：从计算中提取结构。两个随机初始化的模型，通过自博弈，居然能发现斐波那契数列——这个人类花了上千年才形式化的数学概念。

这暗示：可计算结构不是人类发明的，而是被人类发现的。它们存在于所有可计算函数构成的空间中，等待被任何足够聪明的搜索过程找到。自博弈就是这样一个搜索过程。

更激进地想：也许人类智能本身也有类似机制。婴儿的大脑不是空白等待数据输入的硬盘，而是有内在的"生成-学习"循环。婴儿自己制造刺激（把玩物体、发出声音），同时学习这些刺激的规律。人类语言、数学、音乐的发现，可能都是这个内在循环的产物。

论文标题引用了Wheeler的话："So much from so little, almost everything from almost nothing." 这句话精准概括了论文的核心发现：从几乎一无所有（随机初始化+图灵机）出发，自博弈能生成几乎所有通用预测结构。

当然，这篇论文也有明确局限：模型规模在25M参数以下，上下文长度4K。更大规模是否仍然成立是未解之谜。但作为proof-of-concept，它已经足够震撼——它证明了"数据不是预训练的唯一瓶颈，计算可以是"。

当互联网高质量文本被消耗殆尽的那天到来时，也许自博弈预训练会成为下一个scaling维度。不是更大的数据集，而是更深的自搜索。

---

论文：arXiv:2609.30063 作者：Aditya Cowsik, Kfir Dolev, Michael Y. Li, G. Bruno De Luca, Nourya Cohen, Noah D. Goodman, Yoav Levine 机构：Stanford University, Tel Aviv University, LAPTh/USMB