自动化人工生命发现：基础模型的力量
近期诺贝尔奖表彰了蛋白质发现领域的突破性进展，突显了基础模型 (FM) 在探索巨大组合空间中的变革潜力。这些模型有望彻底改变众多科学学科，然而，人工生命 (ALife) 领域却迟迟未采用它们。这一差距为克服传统上对人工设计和反复试验方法的依赖，从而发现逼真的模拟配置提供了独特的机会。在一篇名为《利用基础模型自动化人工生命搜索》的新论文中，来自麻省理工学院、Sakana AI、OpenAI、瑞士人工智能实验室 IDSIA 和独立研究团队介绍了人工生命自动化搜索 (ASAL) 。这个新颖的框架利用视觉语言 FM 自动化和增强人工生命研究中的发现过程。ASAL 在各种人工生命基质上展示了其潜力，包括 Boids、粒子生命、生命游戏、Lenia 和神经元细胞自动机。通过使用 ASAL，研究人员发现了以前未知的生命形式，并扩展了人工生命模拟中涌现结构的前沿。除了发现之外，ASAL 的框架还有助于对传统上属于定性现象进行定量分析，模仿人类的方法来衡量复杂性。至关重要的是，ASAL 的 FM 独立设计确保了其与未来的基础模型和人工生命基质的兼容性。ASAL 利用视觉语言 FM 评估模拟输出，将该过程表述为三个不同的搜索问题：监督目标搜索：使模拟轨迹与指定的文本提示对齐，从而实现目标发现。开放式探索：识别在每个时间步都表现出高度历史新颖性的模拟，从而促进创新。启发式搜索：通过最大化相邻配置之间的距离来寻找多样化的模拟。ASAL 使用视觉语言基础模型通过将过程表述为三个搜索问题来发现人工生命模拟。监督