ทีม AI ของ Sakana ได้สร้างความก้าวหน้าครั้งใหญ่ในการวิจัยการจำลองชีวิตประดิษฐ์ (ALife) และประสบความสำเร็จในการพัฒนาระบบ ASAL (การค้นหาชีวิตประดิษฐ์อัตโนมัติ) ซึ่งใช้โมเดลพื้นฐานภาษาภาพ (FM) เพื่อค้นหาการจำลอง ALife ที่น่าสนใจโดยอัตโนมัติ ซึ่งเปลี่ยนแปลงไปโดยสิ้นเชิง ชีวิตประดิษฐ์แบบดั้งเดิม การศึกษาเกี่ยวกับชีวิตอาศัยการออกแบบประดิษฐ์และแบบจำลองการลองผิดลองถูก ASAL ได้ค้นพบรูปแบบชีวิตที่ไม่เคยพบเห็นมาก่อนในเมทริกซ์ ALife ที่แตกต่างกันผ่านกลไก 3 ประการ ได้แก่ การค้นหาเป้าหมายแบบมีการดูแล การค้นหาแบบเปิด และการค้นหาแบบฮิวริสติก และสนับสนุนการวิเคราะห์เชิงปริมาณของปรากฏการณ์ที่สามารถวิเคราะห์ได้ในเชิงคุณภาพเท่านั้นในอดีต โดยได้นำมาซึ่งการเปลี่ยนแปลงแบบปฏิวัติวงการ การวิจัยในสาขานี้
เมื่อเร็วๆ นี้ นักวิทยาศาสตร์ที่ Sakana AI มีความก้าวหน้าอย่างมากในด้านปัญญาประดิษฐ์ นับเป็นครั้งแรกที่พวกเขาประสบความสำเร็จในการใช้โมเดลพื้นฐานภาษาการมองเห็น (FM) เพื่อใช้การค้นหาอัตโนมัติสำหรับการจำลองชีวิตเทียม (ชีวิตประดิษฐ์, ALife) วิธีการใหม่นี้เรียกว่า ASAL (การค้นหาชีวิตประดิษฐ์อัตโนมัติ) ได้นำการเปลี่ยนแปลงครั้งสำคัญมาสู่การวิจัยในสาขาชีวิตประดิษฐ์ และคาดว่าจะช่วยเร่งการพัฒนาในสาขานี้
การวิจัยชีวิตประดิษฐ์แบบดั้งเดิมอาศัยการออกแบบประดิษฐ์และการลองผิดลองถูกเป็นหลัก แต่การเกิดขึ้นของ ASAL ได้เปลี่ยนแปลงสถานการณ์นี้ หัวใจหลักของวิธีนี้คือการค้นหาการจำลอง ALife ที่น่าสนใจโดยอัตโนมัติโดยการประเมินวิดีโอที่สร้างจากการจำลองผ่านโมเดลพื้นฐาน ASAL ค้นพบรูปแบบชีวิตเป็นหลักผ่านกลไกสามประการ:
การค้นหาเป้าหมายภายใต้การดูแล: ใช้ข้อความแจ้งเพื่อค้นหาสถานการณ์จำลองที่ก่อให้เกิดปรากฏการณ์เฉพาะ ตัวอย่างเช่น นักวิจัยสามารถกำหนดเป้าหมายเป็น "หนึ่งเซลล์" หรือ "สองเซลล์" และปล่อยให้ระบบค้นหาการจำลองที่ตรงตามเกณฑ์โดยอัตโนมัติ การค้นหาแบบปลายเปิด: มองหาสถานการณ์จำลองที่ให้ความแปลกใหม่ไม่รู้จบตามเวลา วิธีการนี้ช่วยค้นหาสถานการณ์จำลองที่ยังคงน่าสนใจสำหรับผู้สังเกตการณ์ที่เป็นมนุษย์ การค้นหาแบบศึกษาพฤติกรรม: ค้นหาชุดการจำลองที่น่าสนใจและหลากหลายที่เปิดเผย "โลกมนุษย์ต่างดาว"
ความเก่งกาจของ ASAL ทำให้สามารถนำไปใช้กับเมทริกซ์ ALife ที่หลากหลายได้อย่างมีประสิทธิภาพ รวมถึง Boids, Particle Life, Game of Life, Lenia และ Neural Cellular Automata นักวิจัยได้ค้นพบรูปแบบชีวิตที่ไม่เคยพบเห็นมาก่อนในเมทริกซ์เหล่านี้ เช่น รูปแบบการจับกลุ่มที่แปลกประหลาดในบอยด์ เซลล์ที่จัดระเบียบตัวเองใหม่ในเลเนีย และออโตมาตาเซลล์เปิดที่คล้ายกับเกมแห่งชีวิตของคอนเวย์
นอกจากนี้ ASAL ยังช่วยให้สามารถวิเคราะห์ปรากฏการณ์เชิงปริมาณซึ่งก่อนหน้านี้สามารถทำได้ในเชิงคุณภาพเท่านั้น โมเดลพื้นฐานมีความสามารถในการนำเสนอเหมือนมนุษย์ ซึ่งช่วยให้ ASAL สามารถวัดความซับซ้อนในลักษณะที่สอดคล้องกับการรับรู้ของมนุษย์มากขึ้น ตัวอย่างเช่น นักวิจัยสามารถหาปริมาณที่ราบสูงในการจำลอง Lenia ได้โดยการวัดความเร็วของเวกเตอร์ CLIP ที่เปลี่ยนแปลงระหว่างการจำลอง
นวัตกรรมของการวิจัยนี้คือการใช้แบบจำลองพื้นฐานที่ได้รับการฝึกอบรมมาล่วงหน้า โดยเฉพาะแบบจำลอง CLIP (Contrastive Language-Image Pre-training) เพื่อประเมินวิดีโอจำลอง โมเดล CLIP จัดการแสดงภาพและข้อความผ่านการเรียนรู้แบบเปรียบเทียบ ซึ่งช่วยให้เข้าใจแนวคิดที่ซับซ้อนของมนุษย์ได้ แนวทางของ ASAL ไม่ได้จำกัดอยู่เพียงโมเดลพื้นฐานหรือเมทริกซ์การจำลอง ซึ่งหมายความว่าเข้ากันได้กับโมเดลและเมทริกซ์ในอนาคต
นักวิจัยยังได้ทดลองตรวจสอบประสิทธิภาพของ ASAL โดยใช้แบบจำลองพื้นฐานที่แตกต่างกัน (เช่น CLIP และ DINOv2) และเมทริกซ์ ALife ที่แตกต่างกันสำหรับการทดสอบ ผลลัพธ์แสดงให้เห็นว่า CLIP ดีกว่า DINOv2 เล็กน้อยในการสร้างความหลากหลายที่สอดคล้องกับการรับรู้ของมนุษย์ แต่ทั้งสองดีกว่าการแสดงพิกเซลระดับต่ำอย่างมาก สิ่งนี้เน้นย้ำถึงความสำคัญของการใช้การนำเสนอแบบจำลองเชิงลึกเพื่อวัดแนวคิดเกี่ยวกับความหลากหลายของมนุษย์
งานวิจัยนี้เปิดช่องทางใหม่ในด้านชีวิตประดิษฐ์ ช่วยให้นักวิจัยมุ่งเน้นไปที่คำถามระดับสูง เช่น วิธีที่ดีที่สุดในการอธิบายปรากฏการณ์ที่เราต้องการให้เกิดขึ้น จากนั้นปล่อยให้กระบวนการอัตโนมัติค้นหาผลลัพธ์เหล่านั้น การเกิดขึ้นของ ASAL ไม่เพียงแต่ช่วยให้นักวิทยาศาสตร์ค้นพบรูปแบบชีวิตใหม่เท่านั้น แต่ยังวิเคราะห์เชิงปริมาณความซับซ้อนและความเปิดกว้างในการจำลองชีวิตอีกด้วย ท้ายที่สุดแล้ว เทคโนโลยีนี้คาดว่าจะช่วยให้ผู้คนเข้าใจธรรมชาติของชีวิตและทุกรูปแบบที่อาจมีอยู่ในจักรวาล
รหัสโครงการ: https://github.com/SakanaAI/asal/
ที่อยู่กระดาษ: https://arxiv.org/pdf/2412.17799
ความก้าวหน้าที่ก้าวหน้าของ ASAL ได้นำความเป็นไปได้ใหม่ๆ มาสู่การวิจัยสิ่งมีชีวิตประดิษฐ์ ความสามารถในการค้นหาอัตโนมัติที่มีประสิทธิภาพและวิธีการวิเคราะห์เชิงปริมาณที่ซับซ้อนจะส่งเสริมการพัฒนาสาขานี้อย่างมาก และมอบโอกาสใหม่ให้เราเข้าใจธรรมชาติของชีวิต ในอนาคต ASAL อาจถูกนำไปใช้ในสาขาต่างๆ มากขึ้น และมีส่วนช่วยในการสำรวจความลึกลับของชีวิต