生命游戏的使用索人大模型版本即将到来。

ALife，也就是型自说，人工生命，工生旨在通过人工手段来研究生命和类生命的使用索人过程。程序员们对此深感着迷康威生命游戏，大模动搜属于这一研究领域。型自

现在，工生Llion，使用索人Transformer的大模动搜作者之一， Sakananananes由Jones创立 AI，型自以及MIT、OpenAI基于大模型，使用索人研究机构的大模动搜联合团队提出了一种新的ALife研究范式——

ASAL，自动搜索人工生命。型自

也就是ALife模拟采用多模态大模型进行指导。

研究人员发现，ASAL在各种基本方法上都是有效的，包括康威生活游戏，并挖掘出了以前从未被发现过的新生活形式。

而且，像康威生命游戏一样，ASAL展示了它开放式进化的特点。

使用大模型自动搜索人工生命

Alife主要通过计算模拟来研究生命，其核心是搜索和绘制整个可能的模拟空间。

本研究的主要目的是利用大模型实现生命模拟中的搜索自动化。

研究人员首先定义了一组感兴趣的模拟形式，称为基质（substrate）。然后让ASAL通过三种方式找到人工生命的形式。

ALife研究中的三个重要目标对应于三种方法：

复制特定的生命现象

实现开放式进化

探索生命可能性空间

有监督目标搜索

一是监督目标搜索，目标是找到能够产生指定目标现象或事件序列的模拟。

具体方法是给出一系列描述目标状态的文本提示（Prompt），在不同的时间步骤上，最大限度地模拟图像与相应提示词的匹配度。

用公式表示：

表示运行模拟T步后的渲染图像，和表示将图像和文本映射到基本模型中表示空间的函数。

开放式搜索

其次，开放式搜索的目标是找到可以继续产生新行为的开放式模拟。

这对ALife来说非常重要：开放性对于新事物的爆发是必要的。

与历史状态相比，研究人员采用的方法是最大限度地模拟生成的图像，在基本模型的表示空间中具有新颖性。

照明式搜索

最后是照明搜索，目标是找到一组模拟来显示多种行为。

方法是最大化基本模型中一组模拟的覆盖范围，即最小化每个模拟与最近邻之间的距离。

实验结果

研究人员在经典的ALife环境中进行了实验，以验证ASAL的有效性，包括鸟群算法（Boids）、粒子生命模拟、类生命元胞自动机、Lenia(将康威生命游戏推广到连续空间)和神经元胞自动机（NCA）等。

使用的基本模型包括CLIP和DINOv2。

结果显示，在Lenia、在Boids和粒子生命模拟等环境中，ASAL可以搜索到不同的目标文本提示。

ASAL不仅在单个目标上，而且在模拟事件序列时也是有效的。

在开放性方面，研究人员使用类生命元胞自动机（Life-Like CA）CLIP作为“基质”的基本模型，验证了ASAL。

结果表明，ASAL发现了一些类似于康威生命游戏的开放行为规则。

在基本模型空间中，这些自动机可以继续产生新的模式，形成发散轨迹。

此外，在Lenia和Boids环境中，ASAL通过照明搜索发现了丰富多样的行为模拟，并发现了许多前所未有的生活形式。

研究人员还提到，ASAL在使用基本模型的语义时取得了新的突破：ASAL可以定量分析一些人工生活现象。

最后，简单总结一下，ALife旨在重现自然进化，这项新研究突破了人工设计模拟的瓶颈，加速了ALife的发现。

之前创造了第一个“AI科学家Sakana 当人工智能宣布这项研究时，它还设定了一个重点：

这加速了我们对涌现、进化和智能的理解，其核心原理可以刺激下一代人工智能系统！

项目主页：
https://pub.sakana.ai/asal/