大模型版生命遊戲來了!「AI科學家」背後公司聯手MIT&OpenAI等打造

量子位 | 公眾號 QbitAI

大模型版生命遊戲來了。

ALife，即人工生命，旨在通過人工手段研究生命和類生命過程。程序員們深深著迷的康威生命遊戲，就屬於這一研究領域。

現在，來自Transformer作者之一Llion Jones創辦的Sakana AI，以及MIT、OpenAI等研究機構的聯合團隊，基於大模型提出了一種新的ALife研究範式——

ASAL，人工生命自動搜索。

也就是利用多模態大模型來指導ALife模擬。

研究人員發現，在包括康威生命遊戲在內的各種ALife基礎方法上，ASAL都行之有效，還挖掘出了以前從未被發現的新生命形式。

並且，ASAL像康威生命遊戲一樣，展現出了開放式進化的特點。

利用大模型自動搜索人工生命

ALife主要通過計算模擬來研究生命，核心是搜索並繪製出整個可能的模擬空間。

而此項研究的主要目的，就是利用大模型，實現生命模擬中的搜索自動化。

研究人員首先定義一組感興趣的模擬形式，稱為基質（substrate）。然後，讓ASAL通過三種方法來發現人工生命形式。

三種方法分別對應ALife研究中的三個重要目標：

• 複現特定生命現象

• 實現開放式進化

• 探索生命可能性空間

有監督目標搜索

其一，有監督目標搜索，目標是找到能夠產生指定目標現象或事件序列的模擬。

具體的方法是，給定一系列描述目標狀態的文本提示（Prompt），最大化模擬生成圖像在不同時間步上，與相應提示詞的匹配度。

用公式表示就是：

其中θ表示模擬參數，

表示運行模擬T步後的渲染圖像，

和

分別表示將圖像和文本映射到基礎模型表示空間的函數。

開放式搜索

其二，開放式搜索，目標是找到能夠持續產生新行為的開放式模擬。

這對於ALife而言是非常重要的：開放性對於新事物的爆發是必要的。

研究人員採用的方法是，最大化模擬產生的圖像，在基礎模型表示空間中，相對於歷史狀態的新穎度。

照明式搜索

最後是照明式搜索，目標是找到一組展現出多樣行為的模擬。

方法是，最大化一組模擬在基礎模型表示空間中的覆蓋度，即最小化每個模擬與其最近鄰的距離。

實驗結果

為了驗證ASAL的有效性，研究人員在過個經典ALife環境中進行了實驗，包括鳥群算法（Boids）、粒子生命模擬、類生命元胞自動機、Lenia（將康威生命遊戲推廣到連續空間）和神經元胞自動機（NCA）等。

採用的基礎模型包括CLIP和DINOv2。

結果顯示，在Lenia、Boids和粒子生命模擬等環境中，給定不同的目標文本提示，ASAL都能搜索到與之匹配的模擬。

並且不僅僅是在單個目標上，在對事件序列的模擬中，ASAL同樣有效。

開放性方面，研究人員使用類生命元胞自動機（Life-Like CA）為「基質」，CLIP為基礎模型，對ASAL進行了驗證。

結果顯示，ASAL找到了一些展現出與康威生命遊戲相似的開放性行為的規則。

這些自動機能夠持續產生新模式，在基礎模型空間中形成發散的軌跡。

另外，在Lenia和Boids環境中，ASAL使用照明式搜索發現了具備豐富多樣行為的模擬，併發現了許多前所未見的生命形式。

研究人員還提到，利用基礎模型的語義表示，對於此前只能定性分析的現象，ASAL實現了新的突破：可以對一些人工生命現象進行定量分析。

最後，簡單總結一下就是，ALife旨在重現自然進化，而這項新研究，突破了人工設計模擬的瓶頸，加速了ALife發現。

此前打造了首位「AI科學家」的Sakana AI在公佈這項研究時，還劃了個重點：

這加快了我們對湧現、進化和智能的理解，其中的核心原理可以激發下一代AI系統！

項目主頁：

https://pub.sakana.ai/asal/