❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
原文链接：https://mp.weixin.qq.com/s/GzpDY_Qf44KY54eL_Ney5g
🚀 快速阅读
- 功能：ASAL 通过三种搜索机制，自动化搜索人工生命模拟，发现新的生命形式。
- 技术：基于视觉-语言基础模型和优化算法，实现模拟参数的调整和目标现象的匹配。
- 应用：在生物进化研究、智能机器人行为、游戏 AI 开发等领域具有广泛的应用前景。
正文（附运行示例）
ASAL 是什么
ASAL（Automated Search for Artificial Life）是一个基于基础模型自动化搜索人工生命（ALife）的系统。该系统由 Sakana AI 联合 MIT、OpenAI 等机构共同推出，旨在通过多种搜索机制，发现和探索人工生命的新形式。
ASAL 主要基于三种搜索机制：有监督目标搜索、开放式搜索和照明式搜索。这些机制分别在特定现象、持续新行为和多样化行为的模拟中发现人工生命的新形式，并在多个经典 ALife 基质中进行了有效验证。
ASAL 的主要功能
- 有监督目标搜索：搜索并发现能产生特定目标事件或事件序列的人工生命模拟，帮助研究者找到与特定现象相匹配的模拟环境。
- 开放式搜索：寻找持续产生新行为和新奇事件的人工生命模拟，探索和复现现实世界中永无止境的新奇事物的爆发。
- 照明式搜索：发现一组展现出多样行为的人工生命模拟，照亮和分类整个可能的人工生命现象空间，揭示“生命可能的形态”。
- 跨基质兼容性：在多种不同的人工生命基质中工作，包括 Boids、Particle Life、Game of Life、Lenia 和 Neural Cellular Automata 等，显示出广泛的适用性。
- 定量分析：基于基础模型的语义表示能力，对之前只能进行定性分析的人工生命现象进行定量分析，提供新的度量和分析工具。
ASAL 的技术原理
- 视觉-语言基础模型：基于 CLIP（Contrastive Language-Image Pretraining），将图像和自然语言文本映射到共同的表示空间，进行相似性测量。
- 嵌入和相似性测量：基于视觉-语言模型将模拟产生的图像和描述目标现象的文本提示嵌入到相同的表示空间，并测量它们之间的相似性。
- 优化算法：运用优化算法（如遗传算法、CMA-ES 等）调整模拟参数，最大化目标现象的表示与模拟输出之间的匹配度。
- 搜索策略：
- 有监督目标搜索：基于最大化模拟生成图像与目标提示词的匹配度寻找特定模拟。
- 开放式搜索：最大化模拟产生的图像在基础模型表示空间中相对于历史状态的新颖度寻找开放式模拟。
- 照明式搜索：最大化一组模拟在基础模型表示空间中的覆盖度，即最小化每个模拟与其最近邻的距离，寻找多样化的模拟。
如何运行 ASAL
首先，创建项目的 conda 环境：
conda env create -f environment.yaml
pip install -r requirements.txt
如果在安装过程中遇到问题，请根据系统的 CUDA 版本手动安装 jax，然后手动安装以下库：
pip install flax==0.9.0 transformers==4.45.2 tqdm==4.66.5 einops==0.8.0 evosax==0.1.6 imageio==2.35.1 imageio-ffmpeg==0.5.1 matplotlib==3.9.2 pillow==10.4.0
运行 ASAL 的示例代码可以参考 asal.ipynb。
资源
- 项目官网：https://sakana.ai/asal
- GitHub 仓库：https://github.com/SakanaAI/asal
- arXiv 技术论文：https://arxiv.org/pdf/2412.17799
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
