使用基础模型自动化寻找人工生命
摘要
Sakana AI 发布了人工智能科学家，能够模仿科学发现过程。随着诺贝尔奖在蛋白质发现方面的进展，探索大型组合空间的基础模型（FMs）有望革新许多科学领域。MIT 联合 OpenAI、Sakana AI 等发表了新的研究成果：使用基础模型自动化寻找人工生命。
人工生命（Artificial Life）尚未整合 FMs，因此为该领域提供了一个重大机遇，以减轻主要依赖手工设计和反复试验来发现逼真仿真配置的历史负担。本文首次成功利用视觉 - 语言 FMs 实现了这一机遇。所提出的方法称为自动搜索人工生命（ASAL），(1) 找到产生目标现象的仿真，(2) 发现生成时间上开放式新颖性的仿真，以及 (3) 揭示整个有趣多样化仿真的空间。由于 FMs 的通用性，ASAL 在包括 Boid、粒子生命、生命游戏、Lenia 和神经细胞自动机在内的多种 ALife 基质上有效工作。突出此技术潜力的一项重要成果是发现了以前未见过的 Lenia 和 Boids 生命形态，以及像康威的生命游戏一样开放的元胞自动机。此外，使用 FMs（有限状态机）使得以与人类一致的方式量化先前定性现象成为可能。这一新范式承诺将加速人工生命（ALife）研究，超越仅凭人类智慧所能达到的范畴。
项目地址：https://asal.sakana.ai/ 代码仓库：https://github.com/SakanaAI/asal
引言
驱动人工生命（ALife）的核心理念是研究'我们所知的生活'，同时也研究'可能的生活'[Langton, 1992]。因为 ALife 主要通过计算模拟来研究生命，这种方法必然意味着搜索并绘制出全部可能的模拟空间，而不是调查任何单一的模拟。通过这样做，研究人员可以研究不同的模拟配置为何以及如何产生不同的涌现行为。在本文中，我们首次尝试借助 AI 的基础模型自动化这一模拟搜索过程。
尽管 ALife 模拟中的进化和学习机制丰富多样，但迄今为止阻碍该领域取得根本性进展的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本身。没有这样的方法，研究人员在设计一个人造世界的最重要方面——世界本身的规则时，不得不依赖直觉和猜测。
挑战的一部分在于，简单部件的大规模互动可能导致复杂的涌现现象，这些现象难以（如果不是不可能）提前预测 [安德森，1972 年；沃尔夫勒姆和加德尔·哈克，2003 年]。模拟配置与其产生行为之间的这种脱节使得直观设计表现出自我复制、类生态系统动态或开放式特性的模拟变得困难。因此，该领域常常提供针对简单且预期结果的手工制作模拟，限制了意外发现的可能性。
鉴于该领域目前即兴的状态，一种自动化搜索模拟本身的方法将通过显著扩大探索范围来转变人工生命（ALife）的实践。研究人员可以重新关注如何最好地描述我们希望最终作为结果出现的现象这一更高层次的问题，并让自动化搜索这些结果的进程自然展开。
为模拟描述目标现象本身就具有挑战性，这在一定程度上解释了为什么自动搜索获得产生目标现象的正确模拟的努力一直不景气 [斯泰普尼和希金博瑟姆，2024 年；斯坦利和莱曼，2015 年]。当然，以前有许多尝试通过复杂的生命度量 [沙尔马等人，2023 年]、复杂性 [莫塔等人，2013 年，劳埃德，2001 年] 或'趣味性'[施米德胡伯，1997 年；帕塔克等人，2017 年；塞特拉南等人，2011 年] 来量化人工生命。然而，这些指标几乎总是无法完全捕捉它们试图衡量的人类概念的微妙之处 [劳埃德，2001 年；卡沃夫斯基等人，2023 年]。
虽然我们尚未理解我们的宇宙为何以及如何变得如此复杂、丰富和有趣，但我们仍然可以使用它作为创建引人入胜的人工生命世界的指南。在大量自然数据上训练的基础模型（FMs）通常拥有与人类相似的表示 [张等人，2018 年；傅等人，2023 年；张等人，2023 年]，甚至可能正朝着对我们现实世界统计数据的'柏拉图式'表示收敛 [胡等人，2024 年]。这一新颖特性使它们成为量化人工生命中人类复杂概念的有吸引力的候选者。
本着这种精神，我们提出了一种新的人工生命研究范式，称为'自动搜索人工生命'（ASAL）。研究者首先定义一组感兴趣的模拟，称之为基质。然后，如图 1 所示，ASAL 使得三种不同的方法可供 FMs 识别有趣的人工生命模拟：
- 监督目标搜索：寻找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的世界相似的世界。
