ASAL与自动化搜索技术助力AI科学家，Sakana AI再次引领涌现现象研究突破

2024年AI科研新突破：自动化发现人工生命形式

随着2024年的临近尾声，人工智能再次为全世界带来了惊喜。今年8月，由Transformer论文作者之一Llion Jones与前谷歌研究人员David Ha共同创立的Sakana AI公司推出了世界上首个用于自动化科学研究和开放式发现的AI系统——AI Scientist。这一创新不仅标志着AI在科学研究中的重要进展，还预示着未来更多可能性。

最近，Sakana AI团队又发布了另一项震撼性研究成果——使用基础模型搜索人工生命的系统ASAL（Automated Search for Artificial Life）。人工生命（Artificial Life）是通过模拟和计算方法制造出的生命形式。它不仅帮助我们理解已知的生命形态，还探索了潜在的生命形态。例如，1970年数学家约翰・何顿・康威提出的“生命游戏”就是一种典型的人工生命模拟系统。

ASAL系统的独特之处

Sakana AI团队表示，借助AI加速人工生命的发现可以加深我们对涌现、进化和智能的理解，从而启发下一代AI系统的发展。知名博主Aran Komatsuzaki指出，这是视觉语言模型首次应用于人工生命研究，能够跨基质发现多样性和全新的模拟生命。

自动化搜索过程

传统的人工生命研究主要依赖于计算模拟，这意味着需要搜索并描绘整个可能的模拟空间，而不是专注于单个模拟。这使得研究者可以了解不同配置如何产生不同的涌现行为。然而，由于缺乏系统化的搜索方法，设计人工世界的规则一直依赖于直觉。大规模简单组件的相互作用可能会产生复杂且难以预测的涌现现象，这给研究带来了巨大挑战。

ASAL通过三种方法来识别所需的人工生命模拟：

1. 监督式目标：搜索能产生指定目标事件或事件序列的模拟，有助于发现与现实世界相似的世界。
2. 开放式搜索：寻找随时间不断提供新变化的模拟，使人类观察者始终感到有趣。
3. 阐明（Illumination）：搜索一组相关的多样化模拟，展示陌生但引人入胜的世界。

实验验证

Sakana AI团队使用多种人工生命基质（如Boids、Particle Life、Game of Life、Lenia和Neural Cellular Automatas）验证了ASAL的有效性。实验表明，ASAL能够在这些基质中发现以前未见过的生命形式，并扩展了人工生命中涌现结构的边界。

应用前景

ASAL不仅有助于搜索有趣的模拟现象，还能量化以前只能进行定性分析的现象。例如，通过测量中间模拟的状态与原始模拟的CLIP相似性，可以为定性观察提供定量支持。此外，ASAL还可以评估粒子数量对模拟能力的影响，以及每个参数的重要性。

总结

Sakana AI的ASAL系统为人工生命研究提供了新的范式，使得自动搜索和发现成为可能。未来，随着更多机构和独立研究者的参与，这一领域有望取得更多实质性进展。

本文来源：