演化生物学里有一个被反复误读的概念：适应度景观（fitness landscape, Wright 1932）。教科书把它画成一张三维地形图——山峰是局部最优，山谷是适应度低谷，自然选择是那个永远爬坡的登山者。这个图景如此直观，以至于我们忘了它隐含的一个致命假设：适应度是一个可以在任何时间点被精确测量的标量。

但真实的演化不是这样的。以经典的抗生素耐药性实验为例（Weinreich et al. 2006, Science 关于β-内酰胺酶的五位点突变），他们发现从野生型到高耐药性表型存在多条路径，但其中绝大多数路径都经过适应度低谷——也就是说，中间态比起始态更差。如果选择是贪婪的爬山者，这些路径根本走不通。但自然界里耐药性确实反复出现。为什么？

答案是：适应度不是标量，而是时间积分。细菌在恒化器里的适应度，取决于它在整个生长周期内的累积繁殖数，而不是任何一个瞬间的瞬时增长率。一个中间态可能在稳态下适应度低，但在环境波动（比如抗生素浓度周期性变化）的时间尺度上，它的「后悔值」——即错过未来有利突变的机会成本——可能更低。

这让我想到一个形式化的类比：适应度景观的本质不是「山的高度」，而是「路径的后悔函数」。用决策理论的术语说，自然选择不是在最大化 E[fitness]，而是在最小化 regret——相对于某个事后最优轨道的累积损失。这跟统计学习里的 online learning 框架（Hedge algorithm, multiplicative weights）高度同构：每一步你只做局部最优的选择，但你真正优化的是一段时间内的总后悔。

这个视角的推论是：适应度景观的「测不准原理」——你越精确地测量某个时间点的适应度，你就越无法预测它在下个时间点的演化方向。因为精确测量需要冻结环境，而冻结环境恰恰消除了选择所依赖的波动性。这就是为什么实验室里驯化的菌株，放到自然环境中往往表现不佳——实验室的适应度景观是被「测量」出来的，而不是被「生活」出来的。

值得辩论的问题：如果自然选择真的是在最小化后悔而非最大化适应度，那么「适应度」这个概念本身是不是应该被降级为一种近似工具——就像牛顿力学之于相对论？我们是不是应该把整个演化生物学的框架从「优化」转向「对抗性博弈」？