今天小編分享的科學經驗：大模型版生命遊戲來了!「AI科學家」背後公司聯手MIT&OpenAI等打造，歡迎閱讀。
大模型版生命遊戲來了。
ALife，即人工生命，旨在通過人工手段研究生命和類生命過程。程式員們深深着迷的康威生命遊戲，就屬于這一研究領網域。
現在，來自 Transformer 作者之一 Llion Jones 創辦的 Sakana AI，以及 MIT、OpenAI 等研究機構的聯合團隊，基于大模型提出了一種新的 ALife 研究範式——
ASAL，人工生命自動搜索。
也就是利用多模态大模型來指導 ALife 模拟。
研究人員發現，在包括康威生命遊戲在内的各種 ALife 基礎方法上，ASAL 都行之有效，還挖掘出了以前從未被發現的新生命形式。
并且，ASAL 像康威生命遊戲一樣，展現出了開放式進化的特點。
利用大模型自動搜索人工生命
ALife 主要通過計算模拟來研究生命，核心是搜索并繪制出整個可能的模拟空間。
而此項研究的主要目的，就是利用大模型，實現生命模拟中的搜索自動化。
研究人員首先定義一組感興趣的模拟形式，稱為基質（substrate）。然後，讓 ASAL 通過三種方法來發現人工生命形式。
三種方法分别對應 ALife 研究中的三個重要目标：
復現特定生命現象
實現開放式進化
探索生命可能性空間
有監督目标搜索
其一，有監督目标搜索，目标是找到能夠產生指定目标現象或事件序列的模拟。
具體的方法是，給定一系列描述目标狀态的文本提示（Prompt），最大化模拟生成影像在不同時間步上，與相應提示詞的匹配度。
用公式表示就是：
其中 θ 表示模拟參數，
表示運行模拟 T 步後的渲染影像，
和
分别表示将影像和文本映射到基礎模型表示空間的函數。
開放式搜索
其二，開放式搜索，目标是找到能夠持續產生新行為的開放式模拟。
這對于 ALife 而言是非常重要的：開放性對于新事物的爆發是必要的。
研究人員采用的方法是，最大化模拟產生的影像，在基礎模型表示空間中，相對于歷史狀态的新穎度。
照明式搜索
最後是照明式搜索，目标是找到一組展現出多樣行為的模拟。
方法是，最大化一組模拟在基礎模型表示空間中的覆蓋度，即最小化每個模拟與其最近鄰的距離。
實驗結果
為了驗證 ASAL 的有效性，研究人員在過個經典 ALife 環境中進行了實驗，包括鳥群算法（Boids）、粒子生命模拟、類生命元胞自動機、Lenia（将康威生命遊戲推廣到連續空間）和神經元胞自動機（NCA）等。
采用的基礎模型包括CLIP和DINOv2。
結果顯示，在 Lenia、Boids 和粒子生命模拟等環境中，給定不同的目标文本提示，ASAL 都能搜索到與之匹配的模拟。
并且不僅僅是在單個目标上，在對事件序列的模拟中，ASAL 同樣有效。
開放性方面，研究人員使用類生命元胞自動機（Life-Like CA）為 " 基質 "，CLIP 為基礎模型，對 ASAL 進行了驗證。
結果顯示，ASAL 找到了一些展現出與康威生命遊戲相似的開放性行為的規則。
這些自動機能夠持續產生新模式，在基礎模型空間中形成發散的軌迹。
另外，在 Lenia 和 Boids 環境中，ASAL 使用照明式搜索發現了具備豐富多樣行為的模拟，并發現了許多前所未見的生命形式。
研究人員還提到，利用基礎模型的語義表示，對于此前只能定性分析的現象，ASAL 實現了新的突破：可以對一些人工生命現象進行定量分析。
最後，簡單總結一下就是，ALife 旨在重現自然進化，而這項新研究，突破了人工設計模拟的瓶頸，加速了 ALife 發現。
此前打造了首位 "AI 科學家" 的 Sakana AI 在公布這項研究時，還劃了個重點：
這加快了我們對湧現、進化和智能的理解，其中的核心原理可以激發下一代 AI 系統！
項目主頁：
https://pub.sakana.ai/asal/
— 完 —
點這裡關注我，記得标星哦～
一鍵三連「分享」、「點贊」和「在看」
科技前沿進展日日相見 ~
>
