A equipe Sakana AI fez um grande avanço na pesquisa de simulação de vida artificial (ALife) e desenvolveu com sucesso o sistema ASAL (Automatic Search for Artificial Life), que usa modelos básicos de linguagem visual (FMs) para procurar automaticamente simulações interessantes de ALife, mudando completamente vida artificial tradicional. O estudo da vida depende de design artificial e modelos de tentativa e erro. ASAL descobriu formas de vida nunca antes vistas em diferentes matrizes ALife através de três mecanismos: busca supervisionada de alvos, busca aberta e busca heurística, e apoia a análise quantitativa de fenômenos que só podiam ser analisados qualitativamente no passado. a pesquisa neste campo.
Recentemente, os cientistas da Sakana AI fizeram progressos inovadores no campo da inteligência artificial. Pela primeira vez, eles usaram com sucesso modelos de base de linguagem de visão (FMs) para implementar simulações de busca automática de vida artificial (Vida Artificial, ALife). Este novo método, denominado ASAL (Automated Search for Artificial Life), trouxe mudanças revolucionárias à investigação no domínio da vida artificial e espera-se que acelere o desenvolvimento deste campo.
A pesquisa tradicional de vida artificial depende principalmente de design artificial e tentativa e erro, mas o surgimento do ASAL mudou esta situação. O núcleo deste método é procurar automaticamente simulações ALife interessantes, avaliando os vídeos produzidos pelas simulações através do modelo subjacente. ASAL descobre formas de vida principalmente através de três mecanismos:
Pesquisa de alvo supervisionada: Use instruções textuais para encontrar simulações que produzam fenômenos específicos. Por exemplo, os pesquisadores podem definir uma meta de “uma célula” ou “duas células” e deixar o sistema encontrar automaticamente simulações que atendam aos critérios. Pesquisa aberta: em busca de simulações que produzam novidades infinitas no tempo. Esta abordagem ajuda a descobrir simulações que permanecem interessantes para observadores humanos. Pesquisa Heurística: Encontre um conjunto de simulações interessantes e diversas que revelam “mundos alienígenas”.
A versatilidade do ASAL permite que ele seja aplicado com eficácia a uma variedade de matrizes ALife, incluindo Boids, Particle Life, Game of Life, Lenia e Neural Cellular Automata. Os pesquisadores descobriram formas de vida nunca antes vistas nessas matrizes, como padrões bizarros de enxameação em Boids, novas células auto-organizadas em Lenia e autômatos celulares abertos semelhantes ao Jogo da Vida de Conway.
Além disso, o ASAL permite a análise quantitativa de fenómenos que antes só eram possíveis de analisar qualitativamente. O modelo subjacente possui capacidades de representação semelhantes às humanas, o que permite à ASAL medir a complexidade de uma forma mais consistente com a cognição humana. Por exemplo, os pesquisadores podem quantificar platôs em simulações do Lenia medindo a rapidez com que o vetor CLIP muda durante a simulação.
A inovação desta pesquisa é a utilização de modelos básicos pré-treinados, especificamente o modelo CLIP (Contrastive Language-Image Pre-training), para avaliar vídeos simulados. O modelo CLIP alinha representações de imagens e texto por meio de aprendizagem contrastiva, permitindo compreender conceitos humanos de complexidade. A abordagem da ASAL não se restringe a um modelo base específico ou matriz de simulação, o que significa que é compatível com modelos e matrizes futuras.
Os pesquisadores também verificaram experimentalmente a eficácia do ASAL, utilizando diferentes modelos básicos (como CLIP e DINOv2) e diferentes matrizes ALife para teste. Os resultados mostram que o CLIP é ligeiramente melhor que o DINOv2 na geração de diversidade consistente com a cognição humana, mas ambos são significativamente melhores que as representações de pixel de baixo nível. Isto destaca a importância de usar representações de modelos subjacentes profundos para medir conceitos de diversidade humana.
Esta investigação abre novos caminhos no campo da vida artificial, permitindo aos investigadores concentrarem-se em questões de nível superior, como a melhor forma de descrever os fenómenos que queremos que ocorram, e depois deixar que processos automatizados encontrem esses resultados. O surgimento do ASAL pode não apenas ajudar os cientistas a descobrir novas formas de vida, mas também a analisar quantitativamente a complexidade e a abertura nas simulações de vida. Em última análise, espera-se que esta tecnologia ajude as pessoas a compreender a natureza da vida e todas as formas que ela pode existir no universo.
Código do projeto: https://github.com/SakanaAI/asal/
Endereço do artigo: https://arxiv.org/pdf/2412.17799
O progresso revolucionário da ASAL trouxe novas possibilidades para a pesquisa da vida artificial. Suas eficientes capacidades de busca automática e métodos de análise quantitativa da complexidade promoverão enormemente o desenvolvimento deste campo e fornecerão novos insights sobre a nossa compreensão da perspectiva da natureza da vida. No futuro, o ASAL poderá ser aplicado em mais áreas e contribuir para a exploração dos mistérios da vida.