AI科学家突破性进展：利用大模型自动探索人工生命

近期，Sakana AI 的研究成果表明，他们已经成功地利用视觉-语言基础模型（vision-language foundation models, FMs）来探索人工生命 (Artificial Life, ALife) 的奥秘。更具体地说，他们利用 ASAL (Automated Search for Artificial Life，即人工生命自动搜索) 的方法，实现了人工生命体的自动发现，克服了传统人工生命研究中需要人为干预的局限性。

通常，人工生命系统的设计需要大量的人工调优和尝试，而 ASAL 的出现简化了这一过程，仅需一次运行即可完成。其核心思想是运用视觉模型来评估不同人工生命系统的特性，从而筛选出有趣的 ALife 系统。ASAL 能够自动发现三种典型的生命形式：

涌现行为的多样性：能够自动寻找并展示各种复杂且有趣的涌现行为的系统。例如，系统可能会自主演化出“单细胞”或“多细胞”等不同类型的结构，进而展现出高度多样化的行为模式。空间模式的复杂性：能够自动发现并生成具有高度复杂空间结构的系统。这些系统能够自主地创造出形态各异、精妙绝伦的图案。持续进化的潜力：能够发现那些具有持续进化潜力、甚至能够实现“开放式进化”的系统。

ASAL 的强大之处在于，它能够高效地搜索并筛选出那些蕴含丰富行为的 ALife 模型，例如 Boids、粒子生命 (Particle Life)、生命游戏 (Game of Life)、Lenia 以及神经元胞自动机 (Neural Cellular Automata)。该方法能够有效区分这些模型之间的差异，例如，Boids 模型能够涌现出集群行为，而 Lenia 模型则能够生成各种复杂的纹理图案，类似于传统细胞自动机的图案生成方式。

总而言之，ASAL 极大地降低了探索和发现新型人工生命系统的门槛。结合视觉模型强大的理解能力，ASAL 能够从大量的候选系统中快速识别出那些具有研究价值的系统，从而推动人工生命领域的发展。举例来说，该方法可以利用 CLIP 模型判断 Lenia 系统中是否存在某种特定形状，或者判断其是否类似于某个真实物体。

为了实现这一目标，研究人员采用了 CLIP（对比语言-图像预训练）模型，这是一种能够理解图像内容的技术。CLIP 模型具备将图像与文本描述关联起来的能力，从而实现对各种人工生命系统行为的理解。ASAL 的创新之处在于，它将传统的、基于人工设计的过程转变为一个自动化的搜索过程，极大地提高了效率，并降低了对专业知识的依赖。

实验结果表明，ASAL 能够有效地识别出各种有趣的 ALife 系统，并且能够找到那些使用传统方法难以发现的、具有复杂行为的 ALife 模型。值得注意的是，CLIP 在识别那些与自然图像相似的 ALife 模型时表现尤为出色，这或许与 CLIP 模型本身的训练方式有关，因为它大量地接触了自然图像数据。

鉴于此，这项研究为人工生命领域的研究开辟了新的途径，使得研究人员能够更加便捷地探索各种复杂系统的演化，例如，即使对相关领域知识不甚了解，也能借助该方法快速筛选出具有研究价值的系统。ASAL 的应用，不仅能够帮助我们发现新的人工生命现象，还能够加深我们对自然界复杂性的理解。

项目链接：https://github.com/SakanaAI/asal/

论文链接：https://arxiv.org/pdf/2412.17799