Sakana AI 團隊在人工生命(ALife) 模擬研究中取得重大突破，成功開發出ASAL（人工生命自動搜尋）系統，該系統利用視覺語言基礎模型(FMs) 自動搜尋有趣的ALife 模擬，徹底改變了傳統人工生命研究依賴人工設計和反覆試驗的模式。 ASAL 透過監督的目標搜尋、開放性搜尋和啟發式搜尋三種機制，在不同的ALife 基質中發現了前所未見的生命形式，並支持對以往只能進行定性分析的現象進行定量分析，為該領域的研究帶來了革命性的改變。
近日，Sakana AI 的科學家在人工智慧領域取得了突破性進展，他們首次成功利用視覺語言基礎模型（vision-language foundation models，FMs） 實現了人工生命(Artificial Life，ALife) 模擬的自動搜尋。這項名為ASAL(Automated Search for Artificial Life，人工生命自動搜尋) 的新方法，為人工生命領域的研究帶來了革命性的變革，有望加速該領域的發展。
傳統的人工生命研究主要依賴人工設計和試錯，而ASAL 的出現改變了現狀。該方法的核心是透過基礎模型來評估模擬產生的視頻，從而自動搜尋有趣的ALife 模擬。 ASAL 主要透過三種機制來發現生命形式:
有監督的目標搜尋:透過文字提示來尋找產生特定現象的模擬。例如，研究人員可以設定「一個細胞」或「兩個細胞」這樣的目標，讓系統自動找出符合條件的模擬。 開放性搜尋:尋找能產生時間上無止盡的新穎性的模擬。這種方式有助於發現那些對人類觀察者來說持續有趣的模擬。啟發式搜尋:尋找一組有趣且多樣的模擬，從而揭示「外星世界」。
ASAL 的通用性使其能夠有效地應用於多種ALife 基質，包括Boids、粒子生命（Particle Life）、生命遊戲(Game of Life)、Lenia 和神經元胞自動機(Neural Cellular Automata)。研究人員在這些基質中發現了前所未見的生命形式，例如，Boids 中出現了奇怪的群集模式，Lenia 中出現了新的自組織細胞，以及類似康威生命遊戲的開放式細胞自動機。
此外，ASAL 也支持對以往只能進行質性分析的現象進行定量分析。基礎模型具有與人類相似的表示能力，這使得ASAL 能夠以更符合人類認知的方式來衡量複雜性。例如，研究人員可以透過測量CLIP 向量在模擬過程中的變化速度來量化Lenia 模擬中的平台期。
研究的創新之處在於利用了預先訓練的基礎模型，特別是CLIP（對比語言-影像預訓練） 模型，來評估模擬的影片。 CLIP 模型透過對比學習，將圖像和文字的表示對齊，使其能夠理解人類對複雜性的概念。 ASAL 的方法並不局限於特定的基礎模型或模擬基質，這意味著它可以與未來的模型和基質相容。
研究人員也透過實驗驗證了ASAL 的有效性，他們使用不同的基礎模型（如CLIP 和DINOv2）以及不同的ALife 基質進行測試。結果表明，CLIP 在產生符合人類認知的多樣性方面略優於DINOv2，但兩者都明顯優於低階的像素表示。這突顯了使用深度基礎模型表示來衡量人類多樣性概念的重要性。
這項研究為人工生命領域開闢了新的道路，使得研究人員能夠將精力集中在更高層次的問題，例如，如何最好地描述我們希望出現的現象，然後讓自動化的過程去尋找這些結果。 ASAL 的出現，不僅能夠幫助科學家發現新的生命形式，而且能夠定量分析生命模擬中的複雜性和開放性。最終，這項技術有望幫助人們理解生命的本質，以及生命在宇宙中可能存在的所有形式。
專案代碼:https://github.com/SakanaAI/asal/
論文網址：https://arxiv.org/pdf/2412.17799
ASAL 的突破性進展為人工生命研究帶來了新的可能性，其高效的自動搜尋能力和對複雜性的定量分析方法，將極大地推動該領域的發展，並為我們理解生命的本質提供新的視角。 未來，ASAL 或將應用於更多領域，為探索生命奧秘貢獻力量。