麻省理工學院、Sakana AI、OpenAI 和瑞士人工智慧實驗室 IDSIA 的研究人員提出了一種名為自動化人工生命搜尋（ASAL）的新演算法，以利用視覺-語言基礎模型自動發現人工生命

人工生命 (ALife) 研究探索透過計算模擬出現的生命樣行為，提供了一個獨特的框架來研究「生命可能是什麼樣子」。然而，這個領域面臨著重大限制：依賴手動設計的模擬規則和配置。這個過程耗時且受限於人類的直覺，導致許多潛在的發現未被探索。研究人員經常依賴試錯法來找出能夠導致自我複製、生態系統動態或新興行為的配置。這些挑戰限制了進展和發現的廣度。

另一個複雜的問題是評估生命樣現象的困難。雖然複雜性和新穎性等指標提供了一些見解，但它們常常無法捕捉到人類對於什麼使現象「有趣」或「像生命」的細微感知。這一差距突顯了系統化和可擴展方法的必要性。

為了解決這些挑戰，麻省理工學院 (MIT)、Sakana AI、OpenAI 和瑞士人工智慧實驗室 (IDSIA) 的研究人員開發了自動化人工生命搜索 (ASAL)。這個創新的演算法利用視覺-語言基礎模型 (FMs) 自動發現人工生命形式。研究人員不再需要手動設計每一條規則，而是可以定義模擬空間，ASAL 自動探索。

ASAL 整合了視覺-語言 FMs，例如 CLIP，將視覺輸出與文本提示對齊，使得在類似人類的表示空間中評估模擬成為可能。該演算法通過三個不同的機制運作：

• 監督目標搜索：識別產生特定現象的模擬。
• 開放性搜索：發現生成新穎且持續的模式的模擬。
• 照明搜索：映射多樣的模擬，揭示潛在生命形式的廣度。

這種方法將研究人員的焦點從低層次的配置轉向對期望結果的高層次探究，極大地增強了 ALife 探索的範圍。

技術見解與優勢

ASAL 使用視覺-語言 FMs 來評估由三個關鍵組件定義的模擬空間：

• 初始狀態分佈：指定起始條件。
• 步驟函數：控制模擬隨時間的動態。
• 渲染函數：將模擬狀態轉換為可解釋的圖像。

通過將模擬輸出嵌入到人類對齊的表示空間中，ASAL 使得：

• 高效探索：自動化搜索過程節省時間和計算資源。
• 廣泛適用性：ASAL 與各種 ALife 系統兼容，包括 Lenia、Boids、粒子生命和神經元細胞自動機。
• 增強指標：視覺-語言 FMs 橋接了人類判斷與計算評估之間的差距。
• 開放式發現：該演算法擅長識別持續的新穎模式，這是 ALife 研究目標的核心。

關鍵結果與觀察

實驗已證明 ASAL 在幾個基底上的有效性：

• 監督目標搜索：ASAL 成功發現與提示相匹配的模擬，例如「自我複製的分子」和「神經元網絡」。例如，在神經元細胞自動機中，它識別了使自我複製和生態系統動態成為可能的規則。
• 開放性搜索：該演算法揭示了超越康威生命遊戲表達能力的細胞自動機規則。這些模擬展示了動態模式，保持了複雜性而不穩定或崩潰。
• 照明搜索：ASAL 映射了 Lenia 和 Boids 中的多樣行為，識別出之前未見的模式，如奇異的群聚動態和自組織細胞結構。

定量分析提供了進一步的見解。在粒子生命模擬中，ASAL 突顯了特定條件（例如，關鍵數量的粒子）對於現象如「毛毛蟲」出現的必要性。這與複雜科學中的「多即不同」原則相符。此外，能夠在模擬之間插值的能力揭示了 ALife 基底的混沌特性。

結論

ASAL 代表了 ALife 研究的一項重大進展，通過系統化和可擴展的解決方案解決了長期存在的挑戰。通過自動化發現和採用人類對齊的評估指標，ASAL 提供了一個實用工具，用於探索新興的生命樣行為。

ASAL 的未來方向包括超越 ALife 的應用，例如低層次物理或材料科學研究。在 ALife 內部，ASAL 探索假設世界和映射可能生命形式的能力，可能會導致對生命起源和複雜性背後機制的突破性理解。

總之，ASAL 使科學家能夠超越手動設計，專注於生命潛力的更廣泛問題。它提供了一種深思熟慮和方法論的方式來探索「生命可能是什麼樣子」，為發現開啟了新的可能性。

查看論文和 GitHub 頁面。所有研究的功勞歸功於這個項目的研究人員。此外，別忘了在 Twitter 上關注我們，加入我們的 Telegram 頻道和 LinkedIn 群組。也別忘了加入我們的 60k+ 機器學習 SubReddit。

🚨 熱門消息：LG 人工智慧研究發布 EXAONE 3.5：三個開源雙語前沿 AI 模型提供無與倫比的指令跟隨和長上下文理解，為生成 AI 卓越的全球領導地位提供支持……。