本文介绍了一种利用基础模型自动搜索人工生命的新算法——Automated Search for Artificial Life（ASAL）。

**引言**

随着人工智能基础模型的出现，我们或许正处于一个新智能时代的黎明，各种智能生命形式可能与我们共存。为了理解生命和智能的起源，以及未来AI生态系统开放式演化的可能性，我们可以借鉴人工生命（ALife）领域的研究。ALife旨在重现和理解生命的现象，包括其涌现、进化和繁荣，并通过虚拟生态系统、机器人、自复制程序和生化模拟等方式探索复杂性、进化和智能的深层机制。

**人工生命研究**

自然进化产生了地球上生物的多样性，而人工生命则试图通过计算机模拟来理解这个开放式生命过程。它不仅模拟“我们所知的生命”，还探索“生命可能是什么”。ALife研究了从简单组件中涌现出的复杂行为，包括自组织、集体智能和开放式进化等现象。通过ALife，我们可以研究诸如“什么是生命”、“在超现实的3D世界模拟中可能存在哪些生命形式”、“在细胞自动机中生命是什么样子”等问题。其中，开放式系统是自然进化的一个重要特征，但创建能够无限发现有趣人工产物的开放式系统仍然是一个巨大的挑战。

**方法：自动搜索人工生命（ASAL）**

大多数引人注目的ALife模拟需要耗费数月甚至数年来手动设计，因为复杂系统的涌现行为难以预测。ASAL利用视觉语言基础模型将人工生命模拟的发现过程转化为三个搜索问题：监督目标、开放性和阐明。

ASAL通过视觉语言基础模型评估模拟产生的视频是否符合预期标准，这些标准包括：

- 监督目标：搜索产生特定目标事件或事件序列的模拟。

- 开放性：搜索在运行过程中产生基础模型表示空间中具有高历史新颖性的模拟。

- 阐明：搜索一系列有趣的多样化模拟。

ASAL通过指定单个提示（即模拟应创建的图像的文本描述）发现了各种模拟。例如，在Lenia中，“自我复制模式”之类的提示揭示了模拟生物过程的动态结构；在Boids中捕捉到了诸如“集体智能”和“自然界中的斐波那契螺旋”等涌现行为。

**未来展望**

ASAL是一个激动人心的成就，但仍有许多工作需要完成。作者鼓励读者尝试将ASAL应用于自己感兴趣的自建模型，并探索其可能性。

总的来说，ASAL框架将允许自动发现许多新类型的人工生命形式，这将有助于我们理解生命和所有复杂系统的普遍原理，并增加我们对涌现、计算不可约性、组装理论和开放性等概念的认识。作者认为，ALife值得研究，因为它包含许多重要的理念，可以并应该被整合到人工智能中。下一代AI算法很可能会将开放性、自组织和集体智能等概念纳入其中，以便更具适应性、创造力和持续学习能力。通过连接ALife和AI，我们可以开启一个自然AI系统的新时代。