从算法到生命,自动化人工生命搜索已然显现?

人工生命研究起源于20世纪80年代，涉及模拟生物系统，探讨生命的基本特征和机制；数学家约翰・何顿・康威在 1970 年提出的著名的「生命游戏」便是一种模拟人工生命系统，其中定义的规则可让其中的「细胞」像生命体一样运作。

ASAL 其中一位研究者 Phillip Isola

近日，Sakana AI团队携手麻省理工学院（MIT）、开放人工智能研究院（OpenAI）以及瑞士AI实验室IDSIA等机构研究人员，共同提出了“自动化人工生命搜索”（ASAL）的新算法。

尤其，人工生命（ALife）是一门跨学科研究，旨在通过模拟生命的行为、特性和演化过程来理解生命的本质。传统的ALife研究依赖于研究人员的手工设计和直觉，难以预测复杂系统中的涌现行为。

而此次提出的自动搜索人工生命（ASAL）框架，利用基础模型的广泛通用性，能够系统性地搜索所有可能的模拟配置，从而克服手动设计的局限性。

三种视觉-语言基础模型

特别的是，此次研究者们提出的算法，使用视觉-语言基础模型自动发现人工生命，仅需描述搜索的模拟空间，ASAL 就可以自动发现最有趣、具有开放式的人造生命体。

监督式目标搜索(Supervised Target)：搜索能产生指定目标事件或事件序列的模拟，有助于发现任意世界或与我们自己的世界相似的世界。

开放式搜索(Open-Endedness)：在基础模型的表征空间中搜索会随时间不断提供新变化的模拟，由此可以发现对人类观察者来说总是很有趣的世界。

阐明（Illumination）搜索：搜索一组相关的多样化模拟，从而展现对我们来说非常陌生的世界。

新的人工生命形式

与此同时，由于基础模型的广泛通用性，ASAL算法的核心在于其自动化的能力，通过简单描述所需的模拟空间，ASAL能够自动识别出具有开放性和趣味性的人工生命形式。这一算法能够在如Boids、Particle Life、生命游戏、Lenia和神经元胞自动机等经典模型中突破。

Boids：模拟的是 N 个「鸟状物体（boids）」在 2D 欧几里得空间中的移动情况。所有 boids 都共享权重一样的神经网络，其会根据局部参考系中 K 个近邻 boids 向左或向右操纵每个 boid。

粒子生命：模拟 N 个粒子，这些粒子又可分为 K 类；它们在一个 2D 欧几里得空间运动，该基质是 K × K 相互作用矩阵的空间，β 参数确定了粒子之间的距离。初始状态是随机采样的，粒子会自组织形成动态模式。

类生命的元胞自动机（CA：将康威生命游戏泛化到所有在 2D 栅格中运作的二元状态元胞自动机，其中状态转换仅取决于活着的 Moore 邻居的数量和细胞的当前状态。该基质有 2^18 = 262,144 种可能的模拟。

Lenia：将康威生命游戏推广到连续空间和时间，允许更高的维度、多个核和多个通道。该团队使用了 LeniaBreeder 代码库，它定义了基质，其中动态维度为 45 个，初始状态维度为 32 × 32 × 3 = 3,072 个。

神经元胞自动机（NCA）：通过神经网络表示局部转换函数来参数化任何连续元胞自动机，该基质是神经网络的权重空间。

自动搜索人工生命

这意味着，人工生命领域的研究依托于计算模拟手段展开，此方法本质上要求全面探索并描绘潜在的模拟空间全貌，而非聚焦于单一模拟实例的深入剖析。

尽管人工生命模拟中涵盖众多进化与学习机制，但迄今为止，该领域取得实质性进展的一个主要障碍是：缺乏一种系统的方法来搜索所有可能的模拟配置。缺乏方法的情况下，在设计人工世界最重要的方面（世界本身的规则）时，研究者就必须依靠直觉。

然而，模拟配置与涌现现象之间缺乏关联，因此研究者很难凭直觉设计出能模拟自我复制、生态系统动态或开放性质的系统。该领域的研究实践常常局限于设计那些预期明确且结果可预测的模拟，相对限制了意外发现的可能性。

综上所述，Sakana AI的研究开创了人工生命领域的新方向，该研究不仅解决了传统人工生命研究中“设计难、探索慢”的难题，更促进学术界对生命本质和智能本质的理解；从直觉驱动到系统化探索，这无疑为人工生命研究翻开了全新篇章。