1 研究背景与目标
人工智能发展引发的思考：地球在过去漫长的时间里仅有人类这一高级智能形式，但随着AI基础模型的出现，人们开始展望新智能形式的可能性。人工生命（ALife）领域的研究旨在重现和理解生命现象，包括生命如何产生、进化以及繁荣发展，其追求超越对地球生物的简单模仿，致力于探索所有可能生命形式背后的基本原则，为此通过构建虚拟生态系统、设计机器人、编写自复制程序以及进行生化模拟等多种方式，深入研究复杂性、进化和智能的内在机制。Sakana AI此前受ALife启发取得了一些成果，如进化模型合并、大语言模型（LLM）自对弈以及自主开放式发现等，现在则进一步探索基础模型能否为ALife研究提供助力，尽管基础模型在人工生命研究中的作用尚未完全明确，但鉴于其已在蛋白质发现、气候预测、AI研究自身以及数学定理证明等诸多科学领域引发了变革，将其应用于人工生命探索具有一定的合理性。
ASAL算法的核心目标：Sakana AI与麻省理工学院、OpenAI、瑞士人工智能实验室IDSIA以及Ken Stanley携手合作，推出了名为“自动搜索人工生命”（ASAL）的创新算法，旨在借助视觉 - 语言基础模型实现人工生命的自动发现。具体而言，该算法期望达成三个主要目标：一是找到能够产生特定目标行为的模拟，这有助于在模拟世界中精准定位符合特定需求的现象或场景；二是发现那些在运行过程中能够持续产生新奇性的模拟，从而挖掘出具有持续吸引力和探索价值的模拟世界；三是全面揭示所有可能存在的不同模拟，为研究人员提供一个关于模拟世界多样性的全景视角，进而深入理解计算宇宙中潜在生命形式的丰富性。
2 人工生命（ALife）领域深度剖析
定义与核心使命：人工生命（ALife）致力于通过计算机模拟手段来理解生命现象的本质，其核心使命在于探索生命如何从简单的组件中涌现出复杂行为，这一过程涵盖了自组织、集体智慧以及开放式演化等多个关键现象。ALife的研究追求超越对地球生物的模仿，深入探索所有可能生命形式所遵循的潜在原则，通过构建各种虚拟模型和模拟环境，试图揭示生命现象背后隐藏的深层次规律。
关键研究问题探索
深度思考“生命”的本质究竟是什么，尝试从根本上定义生命的概念。
研究在超逼真的3D世界模拟中，可能存在哪些形式的生命，拓展对生命形式多样性的认知。
深入探索细胞自动机中生命的呈现方式和演化机制，揭示细胞自动机环境下生命的独特性质。
分析在由自复制计算机程序构成的“数字汤”环境中，生命是如何产生的，理解数字环境中生命诞生的条件和过程。
探究当环境规则发生改变时，生命存在的可能性及其必然性，揭示环境与生命之间的相互关系。
寻求引发类似自然进化中“永无止境”算法的必要条件，自然进化的开放式特性是当前极具挑战性的研究热点，其复杂性和神秘性吸引着众多研究者不断探索。
代表性研究项目示例
Game of Life（CGoL）：由John Conway开发的这一经典模拟项目，基于简单的规则（例如“一个死细胞在其周围有3个活邻居时，在下一个时间步将变为活细胞”），却能够产生令人惊叹的复杂现象，如整个自我复制的“宇宙飞船”结构，甚至能够在自身内部模拟CGoL，展示了简单规则如何孕育出复杂行为的可能性。
Evolved Virtual Creatures：Karl Sim的这一项目在3D虚拟世界中进行人工动物的进化研究，通过遗传算法使人工动物的DNA编码其形态和大脑结构，进而产生具有游泳、行走和跳跃等不同能力的表型，为在虚拟环境中研究生命的进化提供了重要范例。
其他相关项目：众多其他的ALife模拟项目涵盖了广泛的研究领域，包括对细胞生态系统的建模，通过模拟细胞之间的相互作用和关系来研究生态系统的动态平衡；以及对捕食者与猎物在资源争夺过程中的进化军备竞赛进行模拟，观察双方如何在竞争中不断进化适应，这些项目为理解生命的进化和生态关系提供了丰富的素材，同时也为自对弈等概念的发展提供了灵感源泉。
3 ASAL算法原理与实际应用
算法工作原理：ASAL算法将发现人工生命模拟的过程巧妙地转化为三个关键的搜索问题，并借助视觉 - 语言基础模型的强大能力来实现。
监督目标搜索：此搜索过程旨在找到能够产生与给定提示序列精确匹配轨迹的模拟。通过这种方式，研究人员可以发现符合特定要求的模拟世界，这些要求可以是产生特定目标事件或一系列事件，从而帮助研究人员定位到与期望世界相似或者全新的模拟场景，为探索不同类型的人工生命行为提供了有力工具。
开放式性搜索：专注于寻找那些在运行过程中，于基础模型表示空间里每个时间步都能产生高历史新奇性轨迹的模拟。这意味着这些模拟能够持续展现出新颖的特性和行为，对于人类观察者而言具有持久的吸引力，能够不断激发人们对模拟世界的探索兴趣，挖掘出其中隐藏的更多奥秘。
照明搜索：致力于寻找一组多样化且彼此之间距离较远（远离最近邻居）的模拟。这一过程为研究人员提供了给定模拟底物（即预先定义的模拟空间）内所有可能情况的全面概述，类似于对计算宇宙中潜在生命形式进行初步分类的尝试，有助于研究人员把握模拟世界的整体多样性和潜在可能性。
应用实例展示
发现特定行为模拟：在多个经典的ALife模拟场景中，如Lenia、Boids、Particle Life、Game of Life和Neural Cellular Automata等，ASAL算法通过接受特定的文本提示来发现相应的模拟。例如，当给定“自我复制模式”的提示时，Lenia能够生成模仿生物过程的动态结构；“集体智慧”或“自然界中的斐波那契螺旋”这样的提示可以促使Boids展现出相应的涌现行为；而“细胞分裂”和“多样化细胞生态系统”的提示则使Particle Life生成极具视觉吸引力的图案。这充分展示了ASAL算法将抽象概念转化为具体模拟的强大能力，并且多个提示可以依次应用，以寻找能够产生期望事件序列的模拟，尽管目前在仅通过文本描述发现真正复杂且漫长的进化轨迹模拟方面，仍有一定的发展空间。
发现开放式模拟：ASAL算法成功发现了一些比著名的CGoL更具开放式特性的细胞自动机模拟。这一成果为探索全新的模拟世界打开了大门，激发了人们对这些新模拟世界中可能隐藏的未知现象的无限遐想，为进一步深入研究细胞自动机环境下的生命形式提供了新的方向。
照明模拟集合呈现：ASAL算法能够在给定的底物中找到一组多样化的模拟，这些模拟展示了该底物内丰富多样的可能性。这一成果为研究人员提供了一个深入研究和理解潜在生命形式的重要窗口，有助于推动对模拟世界中生命多样性的进一步探索和分类研究。
4 未来展望与发展方向
开源推动社区参与：ASAL算法的代码已在GitHub上开源发布，这一举措旨在鼓励广大社区成员积极参与到算法的应用和拓展中来。社区成员可以将ASAL算法应用于自己感兴趣的自定义底物，例如基于Particle Life开发的新底物Particle Life++，其独特之处在于动力学规则中颜色可以发生变化，从而产生更为复杂的交互动力学，而ASAL算法已经能够在这个底物中找到开放式模拟。此外，研究团队还期待社区成员将ASAL算法应用于ALIEN和JaxLife等其他底物，以进一步探索算法在不同场景下的表现和潜力，共同推动人工生命研究的发展。
创意探索无限可能：在利用ASAL算法发现模拟之后，为研究人员提供了广阔的创意探索空间。例如，在Boids模拟中，通过让不同“物种”的生物在一段时间后进入彼此的宇宙，可以观察到多种不同的关系，如共生关系（双方相互受益）、入侵关系（一方侵入另一方的领域）和破坏关系（一方对另一方造成损害）等，这些观察有助于深入理解生物之间的相互作用和生态关系的演变。在细胞自动机领域，可以对比不同细胞自动机相互竞争时的领土占据情况，通过这种方式深入研究不同细胞自动机的特性和优势，进一步挖掘模拟中的潜在现象和规律，为人工生命研究提供更多新的思路和见解。
对科学研究的深远意义：ASAL框架的持续发展将有力推动更多新型人工生命形式的自动发现，这不仅有助于深入理解生命和复杂系统的一般原则，还将丰富对涌现性、计算不可约性、组装理论和开放式性等重要概念的认识。从更宏观的角度来看，ALife研究具有不可忽视的重要意义，其蕴含的许多关键概念，如开放式性、自组织和集体智慧等，有望融入下一代AI算法的设计中，使AI系统具备更强的适应性、创造性并能够持续学习。通过将ALife与AI紧密融合，整个研究领域有望开启一个全新的自然AI系统时代，为解决复杂问题和推动科学进步提供全新的视角和方法。