ASAL - Sakana AI 联合 OpenAI 等推出使用基础模型搜索人工生命的系统

ASAL是什么

ASAL（Automated Search for Artificial Life）是一个用基础模型自动化搜索人工生命（ALife）的系统，由 Sakana AI 联合 MIT、OpenAI 等机构推出。它的搜索机制分三种：有监督目标搜索、开放式搜索和照明式搜索。有监督目标搜索找能产生特定现象或事件序列的模拟；开放式搜索关注发现能持续产生新行为的模拟；照明式搜索则识别展现多样行为的模拟。ASAL 在 Boids、粒子生命、类生命元胞自动机、Lenia、神经元胞自动机等多个经典 ALife 基质上都做了有效验证，成功找到以前没见过的生命形式，把 ALife 研究的边界往外推了一圈。

ASAL的主要功能

• 有监督目标搜索：搜索能产生特定目标事件或事件序列的人工生命模拟。研究者想找与某个现象对应的模拟环境，用的就是它。
• 开放式搜索：寻找能不断产生新行为、新奇事件的人工生命模拟，去探索和复现现实世界里那场永无止境的新奇事物爆发。
• 照明式搜索：找出一组展现多样行为的人工生命模拟，把整个可能的人工生命现象空间照亮、分类，回答“生命还可能是什么样”。
• 跨基质兼容性：能在多种人工生命基质里工作，Boids、Particle Life、Game of Life、Lenia、Neural Cellular Automata 都适用，覆盖面很宽。
• 定量分析：靠基础模型的语义表示能力，把过去只能定性分析的人工生命现象做成定量分析，新的度量和分析工具就是这么来的。

ASAL的技术原理

• 视觉-语言基础模型：底座是 CLIP（Contrastive Language-Image Pretraining），把图像和自然语言文本映射到同一个表示空间，再做相似性测量。
• 嵌入和相似性测量：用视觉-语言模型，把模拟产生的图像和描述目标现象的文本提示嵌入到同一个表示空间，再量两者的相似度。
• 优化算法：拿遗传算法、CMA-ES 这类优化算法去调模拟参数，把目标现象表示与模拟输出之间的匹配度拉到最大。
• 搜索策略：
  • 有监督目标搜索：看模拟生成图像和目标提示词的匹配度，把这个值最大化，就能找到对应的模拟。
  • 开放式搜索：盯住模拟生成图像在基础模型表示空间里相对历史状态的新颖度，把它最大化，找出的就是开放式模拟。
  • 照明式搜索：让一组模拟在基础模型表示空间里尽量铺开——把每个模拟与其最近邻的距离压到最小——从而找到行为多样的模拟。

ASAL的项目地址

• 项目官网：pub.sakana.ai/asal
• GitHub仓库：https://github.com/SakanaAI/asal
• arXiv技术论文：https://arxiv.org/pdf/2412.17799

ASAL的应用场景

• 生物进化研究：模拟生物进化过程，看遗传变异和自然选择怎样一步步产生新物种。
• 智能机器人行为：可以探索机器人在未知环境里的自适应行为和学习策略，让机器人更自主。
• 游戏AI开发：游戏开发里能生成行为复杂的非玩家角色（NPCs），游戏的沉浸感和挑战性都会更强。
• 生态保护模拟：可以模拟不同保护措施对生态系统的影响，生态保护决策能拿到科学依据。
• 艺术创作：能生成动态艺术作品，作品会随着观众互动或外部环境的变化自己演变。