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。

“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！”