近年來，基礎模型（FMs）在科學研究領域的應用日益廣泛，為許多領域帶來改變的希望。然而，人工生命(ALife)領域對FMs的利用仍處於初級階段，巨大的發展潛力有待挖掘。本文介紹了一種名為「人工生命自動搜尋」（ASAL）的新方法，它巧妙地利用視覺語言基礎模型，極大程度地減輕了人工生命研究中長期依賴手動設計和試錯的負擔，為該領域帶來了新的研究範式。
近年來，隨著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，預示著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，這為該領域提供了巨大的發展機會。
為此，研究團隊首次提出了一種名為「人工生命自動搜尋」（ASAL）的方法，透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。
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「群體行為」（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 方法成功發現了先前未見的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為可能。這項新的研究模式可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。程式碼實作採用Jax 框架，具備端到端的快速處理能力，主要程式碼包括建立基礎模型、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，使用者可以透過運行提供的程式碼來評估模擬的開放性。
對於希望在本地運行該專案的研究人員，建議先克隆該程式碼庫，設定Python 環境並安裝相關依賴庫。同時，研究團隊也在Google Colab 平台上提供了可供使用的Notebook，以便於使用者快速上手。
專案入口:https://github.com/sakanaai/asal
劃重點:
研究團隊提出「人工生命自動搜尋」（ASAL）方法，利用基礎模型減輕傳統設計負擔。
ASAL 能夠發現特定現像模擬、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，並量化過去定性現象，推動人工生命研究發展。
ASAL方法的出現，標誌著人工生命研究進入了一個新的自動化時代。此方法不僅提升了研究效率，更重要的是，它拓展了人類對人工生命現象的認知邊界，為未來人工生命研究的發展提供了強而有力的工具和全新的視野。相信隨著科技的不斷進步，ASAL方法將為我們帶來更多意想不到的發現。