近年来，基础模型（FMs）在科学研究领域的应用日益广泛，为诸多领域带来变革的希望。然而，人工生命(ALife)领域对FMs的利用仍处于初级阶段，巨大的发展潜力有待挖掘。本文介绍了一种名为“人工生命自动搜索”（ASAL）的新方法，它巧妙地利用视觉语言基础模型，极大程度地减轻了人工生命研究中长期依赖手动设计和试错的负担，为该领域带来了新的研究范式。
近年来，随着蛋白质发现的重大突破而获得诺贝尔奖，基础模型（FMs）在探索大型组合空间中的潜力逐渐显现，预示着多个科学领域可能迎来变革。尽管如此，人工生命(ALife)领域尚未充分利用这些基础模型，这为该领域提供了巨大的发展机遇。
为此，研究团队首次提出了一种名为 “人工生命自动搜索”（ASAL）的方法，通过视觉语言基础模型，能够有效减轻人工生命领域长期以来依赖手动设计和试错的负担。
ASAL 方法的核心功能包括:首先，它可以寻找产生特定现象的模拟;其次，它能够发现产生时间上开放性新奇的模拟;最后，它可以全面展示出各种有趣的多样化模拟空间。这种方法的通用性使其能够有效适用于多种人工生命的底物，包括 “群体行为”（Boids）、“粒子生命”(Particle Life)、“生命游戏”(Game of Life)、“Lenia” 和 “神经元细胞自动机” 等。
研究成果显示，ASAL 方法成功发现了之前未见的 Lenia 和 Boids 生命形式，以及与康威的生命游戏相似的开放式细胞自动机。此外，基础模型的应用使得对过去只可定性的现象进行量化成为可能。这一新的研究模式有望超越人类单纯的创造力，加速人工生命研究的进展。
该研究还提供了一个简约的 ASAL 实现，让研究者能够迅速入门。代码实现采用 Jax 框架，具备端到端的快速处理能力，主要代码包括创建基础模型、底物、模拟的有效展开及计算 ASAL 的度量等。研究团队已实现多种人工生命底物，用户可以通过运行提供的代码来评估模拟的开放性。
对于希望在本地运行该项目的研究人员，建议先克隆该代码库，设置 Python 环境并安装相关依赖库。同时，研究团队也在 Google Colab 平台上提供了可供使用的 Notebook，以便于用户快速上手。
项目入口:https://github.com/sakanaai/asal
划重点:
研究团队提出 “人工生命自动搜索”（ASAL）方法，利用基础模型减轻传统设计负担。
ASAL 能够发现特定现象模拟、开放性新奇模拟，并展示多样化模拟空间。
研究成果成功发现新的生命形式，并量化以往定性现象，推动人工生命研究发展。
ASAL方法的出现，标志着人工生命研究进入了一个新的自动化时代。该方法不仅提升了研究效率，更重要的是，它拓展了人类对人工生命现象的认知边界，为未来人工生命研究的发展提供了强有力的工具和全新的视角。相信随着技术的不断进步，ASAL方法将为我们带来更多意想不到的发现。