本文介绍了基于大模型的ASAL（人工生命自动搜索）研究范式在ALife（人工生命）领域的应用。ASAL利用多模态大模型来指导ALife模拟，在包括康威生命游戏在内的各种ALife基础方法上展现了有效性，并挖掘出了以前从未被发现的新生命形式。ASAL能够实现开放式进化，并利用大模型自动搜索人工生命形式。该研究旨在突破人工设计模拟的瓶颈，加快对涌现、进化和智能的理解。
ASAL结合大模型技术在人工生命的模拟过程中，通过搜索策略发现新的生命形式，提高了模拟的效率和准确性。
ASAL不仅能够复现特定生命现象，还能实现开放式进化，探索生命可能性空间，为人工生命的进化研究带来新的突破。
研究人员在多个经典的人工生命环境中验证了ASAL的有效性，包括鸟群算法、粒子生命模拟等。实验结果显示，ASAL能够搜索到与目标文本提示匹配的模拟，并展现出有效的开放式搜索能力。
该研究认为，ASAL的核心原理可以激发下一代AI系统的发展，并加快对涌现、进化和智能的理解。
鱼羊 发自 凹非寺
量子位 | 公众号 QbitAI
大模型版生命游戏来了。
ALife，即人工生命，旨在通过人工手段研究生命和类生命过程。程序员们深深着迷的康威生命游戏，就属于这一研究领域。
现在，来自Transformer作者之一Llion Jones创办的Sakana AI，以及MIT、OpenAI等研究机构的联合团队，基于大模型提出了一种新的ALife研究范式——
ASAL，人工生命自动搜索。
也就是利用多模态大模型来指导ALife模拟。
研究人员发现，在包括康威生命游戏在内的各种ALife基础方法上，ASAL都行之有效，还挖掘出了以前从未被发现的新生命形式。
并且，ASAL像康威生命游戏一样，展现出了开放式进化的特点。
利用大模型自动搜索人工生命
ALife主要通过计算模拟来研究生命，核心是搜索并绘制出整个可能的模拟空间。
而此项研究的主要目的，就是利用大模型，实现生命模拟中的搜索自动化。
研究人员首先定义一组感兴趣的模拟形式，称为基质（substrate）。然后，让ASAL通过三种方法来发现人工生命形式。
三种方法分别对应ALife研究中的三个重要目标：
有监督目标搜索
其一，有监督目标搜索，目标是找到能够产生指定目标现象或事件序列的模拟。
具体的方法是，给定一系列描述目标状态的文本提示（Prompt），最大化模拟生成图像在不同时间步上，与相应提示词的匹配度。
用公式表示就是：
其中θ表示模拟参数，
表示运行模拟T步后的渲染图像，
和
分别表示将图像和文本映射到基础模型表示空间的函数。
开放式搜索
其二，开放式搜索，目标是找到能够持续产生新行为的开放式模拟。
这对于ALife而言是非常重要的：开放性对于新事物的爆发是必要的。
研究人员采用的方法是，最大化模拟产生的图像，在基础模型表示空间中，相对于历史状态的新颖度。
照明式搜索
最后是照明式搜索，目标是找到一组展现出多样行为的模拟。
方法是，最大化一组模拟在基础模型表示空间中的覆盖度，即最小化每个模拟与其最近邻的距离。
实验结果
为了验证ASAL的有效性，研究人员在过个经典ALife环境中进行了实验，包括鸟群算法（Boids）、粒子生命模拟、类生命元胞自动机、Lenia（将康威生命游戏推广到连续空间）和神经元胞自动机（NCA）等。
采用的基础模型包括CLIP和DINOv2。
结果显示，在Lenia、Boids和粒子生命模拟等环境中，给定不同的目标文本提示，ASAL都能搜索到与之匹配的模拟。
并且不仅仅是在单个目标上，在对事件序列的模拟中，ASAL同样有效。
开放性方面，研究人员使用类生命元胞自动机（Life-Like CA）为“基质”，CLIP为基础模型，对ASAL进行了验证。
结果显示，ASAL找到了一些展现出与康威生命游戏相似的开放性行为的规则。
这些自动机能够持续产生新模式，在基础模型空间中形成发散的轨迹。
另外，在Lenia和Boids环境中，ASAL使用照明式搜索发现了具备丰富多样行为的模拟，并发现了许多前所未见的生命形式。
研究人员还提到，利用基础模型的语义表示，对于此前只能定性分析的现象，ASAL实现了新的突破：可以对一些人工生命现象进行定量分析。
最后，简单总结一下就是，ALife旨在重现自然进化，而这项新研究，突破了人工设计模拟的瓶颈，加速了ALife发现。
此前打造了首位“AI科学家”的Sakana AI在公布这项研究时，还划了个重点：
这加快了我们对涌现、进化和智能的理解，其中的核心原理可以激发下一代AI系统！
项目主页：
https://pub.sakana.ai/asal/
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
