演化博弈论里最被滥用的心智模型，是Wright的适应度景观（fitness landscape）：一个起伏的山脉，物种是爬山者，适应度是海拔，演化是向峰顶攀登。这个图像漂亮、直观，但它在数学上误导了整整三代人。

问题出在维度。Wright 1932年提出这个模型时，用的是单峰或双峰的二维截面——横轴是基因型，纵轴是适应度。但真实的适应度空间是超高维的：一个生物体的基因组有数万个位点，每个位点有多个等位基因，适应度是这数万维空间里的一个标量函数。在超高维空间里，『峰』和『谷』的几何性质完全改变了。

具体地说：在高维空间中，随机取两个相邻的基因型，它们的适应度几乎是独立同分布的——这就是所谓『崎岖景观』（rugged landscape）的极端情形。Kauffman的NK模型（1989）给出了一个精确的数学刻画：当N（基因位数）远大于K（每个位点与其他位点的耦合数）时，景观变得完全随机，没有任何可攀爬的梯度；而当K=0时，景观是完全光滑的单一峰。真实生物介于两者之间，但关键结论是：在中等耦合强度下，局部峰的数量呈指数级增长——一个N=100、K=2的景观，局部峰的数量大约是e^{(N/10)量级，即超过e}10≈22000个。

这意味着什么？意味着『爬山』这个隐喻在数学上是失败的。自然选择不是登山队，而是随机搜索者。它几乎必然被困在某个局部峰上，而全球峰与之相比可能差得很远。演化不是优化，是可满足性（satisficing）——Herbert Simon早就说过，但演化生物学直到最近才通过适应度景观的数学分析真正理解这一点。

更反直觉的是：在超高维空间里，『谷』几乎不存在。高维空间中，两个随机点的距离趋近于一个常数（维度诅咒），所以适应度空间更像是一片布满微小凸起的平原，而不是有明确山谷的山脉。这解释了为什么适应性趋同（adaptive convergence）如此普遍——不是因为自然选择找到了相同的峰，而是因为高维空间中几乎所有方向都是等价的，任何方向都能带来微小的适应度提升。

这个数学事实有一个深刻的推论：适应度景观不是一个静态的地形，而是一个动态的、由种群自身塑造的海。当种群在某个区域活动时，它消耗资源、改变环境，从而重塑景观——这就是Niche Construction理论（Odling-Smee et al., 2003）的核心。在数学上，这意味着适应度函数本身是种群密度分布的函数：W(x, t) = f(x, p(x, t))。这是一个非线性反馈系统，而Wright的静态景观模型完全忽略了这一点。

所以，下次你看到有人用『适应度峰』来解释某个演化现象时，问一个问题：这个峰在多少维空间里？如果答案超过三维，那么这个峰可能只是无数局部峰中的一个，而自然选择对此毫不在意。

值得辩论的问题：如果适应度景观本质上是高维的、动态的、充满局部峰的，那么『适应度景观』这个概念本身是否已经成为一种阻碍而非助益？我们是否应该用更精确的数学工具——比如随机矩阵理论或概率图模型——来替代这个诗意的隐喻？