L'équipe Sakana AI a réalisé une percée majeure dans la recherche sur la simulation de la vie artificielle (ALife) et a développé avec succès le système ASAL (Automatic Search for Artificial Life), qui utilise des modèles de base (FM) en langage visuel pour rechercher automatiquement des simulations ALife intéressantes, changeant complètement vie artificielle traditionnelle. L’étude de la vie repose sur la conception artificielle et des modèles d’essais et d’erreurs. ASAL a découvert des formes de vie inédites dans différentes matrices ALife grâce à trois mécanismes : recherche de cible supervisée, recherche ouverte et recherche heuristique, et prend en charge l'analyse quantitative de phénomènes qui ne pouvaient être analysés que qualitativement dans le passé. la recherche dans ce domaine.
Récemment, les scientifiques de Sakana AI ont réalisé des progrès révolutionnaires dans le domaine de l'intelligence artificielle. Pour la première fois, ils ont utilisé avec succès des modèles de base du langage visuel (FM) pour mettre en œuvre des simulations de recherche automatique de vie artificielle (Artificial Life, ALife). Cette nouvelle méthode, appelée ASAL (Automated Search for Artificial Life), a apporté des changements révolutionnaires dans la recherche dans le domaine de la vie artificielle et devrait accélérer le développement de ce domaine.
La recherche traditionnelle sur la vie artificielle repose principalement sur la conception artificielle et les essais et erreurs, mais l’émergence de l’ASAL a changé cette situation. Le cœur de cette méthode est de rechercher automatiquement des simulations ALife intéressantes en évaluant les vidéos produites par les simulations via le modèle sous-jacent. ASAL découvre principalement les formes de vie à travers trois mécanismes :
Recherche de cible supervisée : utilisez des invites textuelles pour trouver des simulations qui produisent des phénomènes spécifiques. Par exemple, les chercheurs peuvent définir un objectif « une cellule » ou « deux cellules » et laisser le système trouver automatiquement les simulations qui répondent aux critères. Recherche ouverte : recherche de simulations qui génèrent une nouveauté infinie dans le temps. Cette approche permet de découvrir des simulations qui restent intéressantes pour les observateurs humains. Recherche heuristique : trouvez un ensemble de simulations intéressantes et diverses qui révèlent des « mondes extraterrestres ».
La polyvalence d'ASAL lui permet d'être appliqué efficacement à une variété de matrices ALife, notamment Boids, Particle Life, Game of Life, Lenia et Neural Cellular Automata. Les chercheurs ont découvert des formes de vie jamais vues auparavant dans ces matrices, telles que des schémas d'essaimage bizarres chez les Boids, de nouvelles cellules auto-organisées chez Lenia et des automates cellulaires ouverts similaires au jeu de la vie de Conway.
De plus, ASAL permet une analyse quantitative de phénomènes qui ne pouvaient auparavant être analysés que qualitativement. Le modèle sous-jacent possède des capacités de représentation de type humain, ce qui permet à ASAL de mesurer la complexité d'une manière plus cohérente avec la cognition humaine. Par exemple, les chercheurs peuvent quantifier les plateaux dans les simulations Lenia en mesurant la rapidité avec laquelle le vecteur CLIP change au cours de la simulation.
L'innovation de cette recherche réside dans l'utilisation de modèles de base pré-entraînés, notamment le modèle CLIP (Contrastive Language-Image Pre-training), pour évaluer des vidéos simulées. Le modèle CLIP aligne les représentations d'images et de texte grâce à un apprentissage contrastif, lui permettant de comprendre les concepts humains de complexité. L'approche d'ASAL ne se limite pas à un modèle de base ou à une matrice de simulation spécifique, ce qui signifie qu'elle est compatible avec les futurs modèles et matrices.
Les chercheurs ont également vérifié expérimentalement l’efficacité d’ASAL, en utilisant différents modèles de base (tels que CLIP et DINOv2) et différentes matrices ALife pour les tests. Les résultats montrent que CLIP est légèrement meilleur que DINOv2 pour générer une diversité cohérente avec la cognition humaine, mais les deux sont nettement meilleurs que les représentations de pixels de bas niveau. Cela souligne l’importance d’utiliser des représentations de modèles sous-jacentes profondes pour mesurer les concepts de diversité humaine.
Cette recherche ouvre de nouvelles voies dans le domaine de la vie artificielle, permettant aux chercheurs de se concentrer sur des questions de plus haut niveau, telles que la meilleure façon de décrire les phénomènes que nous souhaitons produire, puis de laisser les processus automatisés trouver ces résultats. L’émergence d’ASAL peut non seulement aider les scientifiques à découvrir de nouvelles formes de vie, mais également à analyser quantitativement la complexité et l’ouverture des simulations de vie. À terme, cette technologie devrait aider les gens à comprendre la nature de la vie et toutes les formes qu’elle peut exister dans l’univers.
Code du projet : https://github.com/SakanaAI/asal/
Adresse papier : https://arxiv.org/pdf/2412.17799
Les progrès révolutionnaires d'ASAL ont apporté de nouvelles possibilités à la recherche sur la vie artificielle. Ses capacités de recherche automatique efficaces et ses méthodes d'analyse quantitative de la complexité favoriseront grandement le développement de ce domaine et fourniront de nouvelles perspectives sur notre compréhension de la nature de la vie. À l’avenir, ASAL pourrait être appliqué dans davantage de domaines et contribuer à explorer les mystères de la vie.