近年來，隨着蛋白質發現的重大突破而獲得諾貝爾獎，基礎模型（FMs）在探索大型組合空間中的潛力逐漸顯現，預示着多個科學領域可能迎來變革。儘管如此，人工生命(ALife)領域尚未充分利用這些基礎模型，這爲該領域提供了巨大的發展機遇。

爲此，研究團隊首次提出了一種名爲 “人工生命自動搜索”（ASAL）的方法，通過視覺語言基礎模型，能夠有效減輕人工生命領域長期以來依賴手動設計和試錯的負擔。

image.png

ASAL 方法的核心功能包括:首先，它可以尋找產生特定現象的模擬;其次，它能夠發現產生時間上開放性新奇的模擬;最後，它可以全面展示出各種有趣的多樣化模擬空間。這種方法的通用性使其能夠有效適用於多種人工生命的底物，包括 “羣體行爲”（Boids）、“粒子生命”(Particle Life)、“生命遊戲”(Game of Life)、“Lenia” 和 “神經元細胞自動機” 等。

研究成果顯示，ASAL 方法成功發現了之前未見的 Lenia 和 Boids 生命形式，以及與康威的生命遊戲相似的開放式細胞自動機。此外，基礎模型的應用使得對過去只可定性的現象進行量化成爲可能。這一新的研究模式有望超越人類單純的創造力，加速人工生命研究的進展。

該研究還提供了一個簡約的 ASAL 實現，讓研究者能夠迅速入門。代碼實現採用 Jax 框架，具備端到端的快速處理能力，主要代碼包括創建基礎模型、底物、模擬的有效展開及計算 ASAL 的度量等。研究團隊已實現多種人工生命底物，用戶可以通過運行提供的代碼來評估模擬的開放性。

對於希望在本地運行該項目的研究人員，建議先克隆該代碼庫，設置 Python 環境並安裝相關依賴庫。同時，研究團隊也在 Google Colab 平臺上提供了可供使用的 Notebook，以便於用戶快速上手。

項目入口:https://github.com/sakanaai/asal

劃重點:

🌟 研究團隊提出 “人工生命自動搜索”（ASAL）方法，利用基礎模型減輕傳統設計負擔。  

🔍 ASAL 能夠發現特定現象模擬、開放性新奇模擬，並展示多樣化模擬空間。  

🚀 研究成果成功發現新的生命形式，並量化以往定性現象，推動人工生命研究發展。