El equipo de Sakana AI ha logrado un gran avance en la investigación de simulación de vida artificial (ALife) y ha desarrollado con éxito el sistema ASAL (Búsqueda automática de vida artificial), que utiliza modelos básicos (FM) de lenguaje visual para buscar automáticamente simulaciones interesantes de ALife, cambiando por completo Vida artificial tradicional. El estudio de la vida se basa en el diseño artificial y en modelos de prueba y error. ASAL ha descubierto formas de vida nunca antes vistas en diferentes matrices de ALife a través de tres mecanismos: búsqueda de objetivos supervisada, búsqueda abierta y búsqueda heurística, y admite el análisis cuantitativo de fenómenos que en el pasado solo podían analizarse cualitativamente. Ha traído cambios revolucionarios. la investigación en este campo.
Recientemente, los científicos de Sakana AI han logrado avances revolucionarios en el campo de la inteligencia artificial. Por primera vez, utilizaron con éxito modelos básicos de visión y lenguaje (FM) para implementar simulaciones de búsqueda automática de vida artificial (Vida Artificial, ALife). Este nuevo método, llamado ASAL (Búsqueda Automatizada de Vida Artificial), ha traído cambios revolucionarios a la investigación en el campo de la vida artificial y se espera que acelere el desarrollo de este campo.
La investigación tradicional sobre vida artificial se basa principalmente en el diseño artificial y el ensayo y error, pero la aparición de ASAL ha cambiado esta situación. El núcleo de este método es buscar automáticamente simulaciones de ALife interesantes evaluando los videos producidos por las simulaciones a través del modelo subyacente. ASAL descubre formas de vida principalmente a través de tres mecanismos:
Búsqueda de objetivos supervisada: utilice indicaciones textuales para encontrar simulaciones que produzcan fenómenos específicos. Por ejemplo, los investigadores pueden establecer un objetivo de "una celda" o "dos celdas" y dejar que el sistema encuentre automáticamente simulaciones que cumplan con los criterios. Búsqueda abierta: buscar simulaciones que produzcan novedades infinitas en el tiempo. Este enfoque ayuda a descubrir simulaciones que siguen siendo interesantes para los observadores humanos. Búsqueda heurística: encuentre un conjunto de simulaciones interesantes y diversas que revelen "mundos alienígenas".
La versatilidad de ASAL permite que se aplique eficazmente a una variedad de matrices ALife, incluidas Boids, Particle Life, Game of Life, Lenia y Neural Cellular Automata. Los investigadores han descubierto formas de vida nunca antes vistas en estas matrices, como extraños patrones de enjambre en los Boids, nuevas células autoorganizadas en Lenia y autómatas celulares abiertos similares al Juego de la Vida de Conway.
Además, ASAL permite el análisis cuantitativo de fenómenos que antes solo eran posibles de analizar cualitativamente. El modelo subyacente tiene capacidades de representación similares a las humanas, lo que permite a ASAL medir la complejidad de una manera más consistente con la cognición humana. Por ejemplo, los investigadores pueden cuantificar los estancamientos en las simulaciones de Lenia midiendo la rapidez con la que cambia el vector CLIP durante la simulación.
La innovación de esta investigación es el uso de modelos básicos previamente entrenados, específicamente el modelo CLIP (Contrastive Language-Image Pre-training), para evaluar videos simulados. El modelo CLIP alinea representaciones de imágenes y texto mediante aprendizaje contrastivo, lo que le permite comprender conceptos humanos de complejidad. El enfoque de ASAL no se limita a un modelo base específico o una matriz de simulación, lo que significa que es compatible con modelos y matrices futuros.
Los investigadores también verificaron experimentalmente la eficacia de ASAL, utilizando diferentes modelos básicos (como CLIP y DINOv2) y diferentes matrices ALife para realizar pruebas. Los resultados muestran que CLIP es ligeramente mejor que DINOv2 a la hora de generar diversidad consistente con la cognición humana, pero ambos son significativamente mejores que las representaciones de píxeles de bajo nivel. Esto resalta la importancia de utilizar representaciones de modelos subyacentes profundas para medir conceptos de diversidad humana.
Esta investigación abre nuevas vías en el campo de la vida artificial, permitiendo a los investigadores centrarse en cuestiones de nivel superior, como cuál es la mejor manera de describir los fenómenos que queremos que ocurran, y luego dejar que los procesos automatizados encuentren esos resultados. La aparición de ASAL no sólo puede ayudar a los científicos a descubrir nuevas formas de vida, sino también a analizar cuantitativamente la complejidad y apertura de las simulaciones de vida. En última instancia, se espera que esta tecnología ayude a las personas a comprender la naturaleza de la vida y todas las formas que puede existir en el universo.
Código del proyecto: https://github.com/SakanaAI/asal/
Dirección del artículo: https://arxiv.org/pdf/2412.17799
El gran avance de ASAL ha brindado nuevas posibilidades a la investigación de la vida artificial. Sus eficientes capacidades de búsqueda automática y sus métodos de análisis cuantitativo de complejidad promoverán en gran medida el desarrollo de este campo y proporcionarán nuevos conocimientos sobre nuestra comprensión de la perspectiva de la naturaleza. En el futuro, ASAL podrá aplicarse en más campos y contribuir a explorar los misterios de la vida.