在人工智能與生命科學的交叉領域，一項新的研究正引領著人工生命（ALife）探索的潮流。這項研究由Sakana AI、麻省理工學院（MIT）以及OpenAI等機構(gòu)聯(lián)合發(fā)起，旨在通過大模型技術(shù)革新ALife的研究范式，提出了一種名為ASAL（人工生命自動搜索）的新方法。
ALife作為一個研究領域，其核心在于通過計算模擬來探索生命和類生命現(xiàn)象。傳統(tǒng)的ALife研究往往依賴于人工設計的模擬規(guī)則，而ASAL則突破了這一限制，利用多模態(tài)大模型來自動指導生命模擬的過程。
ASAL的研究團隊發(fā)現(xiàn)，這種方法在各種ALife基礎方法上均表現(xiàn)出色，包括著名的康威生命游戲。不僅如此，ASAL還成功挖掘出了許多以前從未被發(fā)現(xiàn)的新生命形式，進一步豐富了ALife的研究內(nèi)容。
ASAL的工作機制可以概括為三個主要方法：有監(jiān)督目標搜索、開放式搜索和照明式搜索。這三種方法分別對應了ALife研究中的三個重要目標：復現(xiàn)特定生命現(xiàn)象、實現(xiàn)開放式進化以及探索生命可能性空間。
在有監(jiān)督目標搜索中，ASAL通過最大化模擬生成圖像與給定文本提示的匹配度，來找到能夠產(chǎn)生指定目標現(xiàn)象或事件序列的模擬。這種方法使得研究人員能夠精確地控制模擬的演化方向，從而復現(xiàn)出特定的生命現(xiàn)象。
開放式搜索則更加注重模擬的開放性，即能夠持續(xù)產(chǎn)生新行為的能力。ASAL通過最大化模擬產(chǎn)生的圖像在基礎模型表示空間中的新穎度，來找到具有開放性特征的模擬。這種方法為ALife研究注入了新的活力，推動了新生命形式的不斷涌現(xiàn)。
照明式搜索則致力于找到一組展現(xiàn)出多樣行為的模擬。ASAL通過最大化一組模擬在基礎模型表示空間中的覆蓋度，來確保每個模擬都具有獨特的行為特征。這種方法不僅豐富了ALife的研究內(nèi)容，還為研究人員提供了更多的選擇和可能性。
為了驗證ASAL的有效性，研究團隊在多個經(jīng)典ALife環(huán)境中進行了實驗，包括鳥群算法（Boids）、粒子生命模擬、類生命元胞自動機、Lenia以及神經(jīng)元胞自動機（NCA）等。實驗結(jié)果表明，ASAL在給定不同的目標文本提示下，都能搜索到與之匹配的模擬，并且在事件序列的模擬中也同樣有效。
在開放性方面，ASAL也表現(xiàn)出色。研究團隊使用類生命元胞自動機作為“基質(zhì)”，通過CLIP模型進行驗證，發(fā)現(xiàn)ASAL找到了一些展現(xiàn)出與康威生命游戲相似開放性行為的規(guī)則。這些自動機能夠持續(xù)產(chǎn)生新模式，在基礎模型空間中形成發(fā)散的軌跡，進一步證明了ASAL在開放式搜索方面的優(yōu)勢。
ASAL還通過照明式搜索在Lenia和Boids環(huán)境中發(fā)現(xiàn)了具備豐富多樣行為的模擬，并挖掘出了許多前所未見的生命形式。這些新發(fā)現(xiàn)不僅為ALife研究提供了新的視角和思路，也為未來的人工生命設計提供了更多的可能性和靈感。
ASAL還利用基礎模型的語義表示能力，對以前只能定性分析的現(xiàn)象進行了定量分析。這一突破不僅提高了ALife研究的準確性和可靠性，也為未來的人工生命研究開辟了新的道路。
