Automating the Search for Artificial Life with Foundation Models

随着最近的诺贝尔奖授予蛋白质发现领域的重大突破，基础模型（FMs）在探索大型组合空间方面有望革新许多科学领域。人工生命（ALife）尚未整合这些基础模型，因此为该领域提供了一个重要机遇，可以减轻长期以来主要依赖手动设计和试错来发现类生命模拟配置的历史负担。本文首次成功实现了这一机遇，使用视觉-语言基础模型。所提出的方法称为“人工生命的自动化搜索”（ASAL），它能够：(1) 找到产生目标现象的模拟；(2) 发现生成时间上无尽新颖性的模拟；(3) 照亮整个有趣且多样的模拟空间。由于基础模型的通用性，ASAL 在包括 Boids、粒子生命、生命游戏、Lenia 和神经元细胞自动机在内的多种人工生命基质中均能有效工作。一个突出显示该技术潜力的重要结果是发现了以前未见过的 Lenia 和 Boids 生命形式，以及像康威生命游戏那样开放式的细胞自动机。此外，使用基础模型还可以以符合人类认知的方式量化之前定性的现象。这一新范式有望加速人工生命研究，超越仅靠人类智慧所能达到的水平。

该论文试图解决人工生命（ALife）领域长期以来依赖手动设计和试错方法来发现类似生命的模拟配置的问题。这是一个新问题，因为这是首次尝试将基础模型（FMs）应用于ALife，以自动化探索大型组合空间。

关键思路是引入了一种名为Automated Search for Artificial Life (ASAL)的新方法，利用视觉-语言基础模型（FMs）来自动搜索能够产生目标现象的模拟，并发现具有时间开放性的新颖模拟。相比现有研究，这种方法不仅能够加速ALife的研究进程，还能在多个不同的ALife基质中有效工作，如Boids、Particle Life、Game of Life、Lenia和神经元细胞自动机。

论文的亮点包括：1）发现了以前未见过的Lenia和Boids生命形态；2）生成了类似于Conway's Game of Life的开放性细胞自动机；3）通过FMs量化了之前定性的现象，使结果更符合人类理解。此外，实验涵盖了多种ALife基质，并展示了这些模型的广泛适用性。目前尚未提及是否有开源代码。

最近在这个领域的相关研究包括《Deep Learning in Artificial Life: A Review》和《Foundations Models for Generative Science》，这些研究探讨了深度学习和基础模型在人工生命中的应用潜力。其他相关研究还包括《Exploring the Space of Cellular Automata Rules Using Deep Reinforcement Learning》以及《Neural Cellular Automata for Procedural Content Generation》。