内容来自：量子位 作者：鱼羊
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：
复现特定生命现象
实现开放式进化
探索生命可能性空间
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，研究人员在多个经典 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“”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！”
热门跟贴