在人工智能与生命科学的交叉领域，一项新的研究正引领着人工生命（ALife）探索的潮流。这项研究由Sakana AI、麻省理工学院（MIT）以及OpenAI等机构联合发起，旨在通过大模型技术革新ALife的研究范式，提出了一种名为ASAL（人工生命自动搜索）的新方法。
ALife作为一个研究领域，其核心在于通过计算模拟来探索生命和类生命现象。传统的ALife研究往往依赖于人工设计的模拟规则，而ASAL则突破了这一限制，利用多模态大模型来自动指导生命模拟的过程。
ASAL的研究团队发现，这种方法在各种ALife基础方法上均表现出色，包括著名的康威生命游戏。不仅如此，ASAL还成功挖掘出了许多以前从未被发现的新生命形式，进一步丰富了ALife的研究内容。
ASAL的工作机制可以概括为三个主要方法：有监督目标搜索、开放式搜索和照明式搜索。这三种方法分别对应了ALife研究中的三个重要目标：复现特定生命现象、实现开放式进化以及探索生命可能性空间。
在有监督目标搜索中，ASAL通过最大化模拟生成图像与给定文本提示的匹配度，来找到能够产生指定目标现象或事件序列的模拟。这种方法使得研究人员能够精确地控制模拟的演化方向，从而复现出特定的生命现象。
开放式搜索则更加注重模拟的开放性，即能够持续产生新行为的能力。ASAL通过最大化模拟产生的图像在基础模型表示空间中的新颖度，来找到具有开放性特征的模拟。这种方法为ALife研究注入了新的活力，推动了新生命形式的不断涌现。
照明式搜索则致力于找到一组展现出多样行为的模拟。ASAL通过最大化一组模拟在基础模型表示空间中的覆盖度，来确保每个模拟都具有独特的行为特征。这种方法不仅丰富了ALife的研究内容，还为研究人员提供了更多的选择和可能性。
为了验证ASAL的有效性，研究团队在多个经典ALife环境中进行了实验，包括鸟群算法（Boids）、粒子生命模拟、类生命元胞自动机、Lenia以及神经元胞自动机（NCA）等。实验结果表明，ASAL在给定不同的目标文本提示下，都能搜索到与之匹配的模拟，并且在事件序列的模拟中也同样有效。
在开放性方面，ASAL也表现出色。研究团队使用类生命元胞自动机作为“基质”，通过CLIP模型进行验证，发现ASAL找到了一些展现出与康威生命游戏相似开放性行为的规则。这些自动机能够持续产生新模式，在基础模型空间中形成发散的轨迹，进一步证明了ASAL在开放式搜索方面的优势。
ASAL还通过照明式搜索在Lenia和Boids环境中发现了具备丰富多样行为的模拟，并挖掘出了许多前所未见的生命形式。这些新发现不仅为ALife研究提供了新的视角和思路，也为未来的人工生命设计提供了更多的可能性和灵感。
ASAL还利用基础模型的语义表示能力，对以前只能定性分析的现象进行了定量分析。这一突破不仅提高了ALife研究的准确性和可靠性，也为未来的人工生命研究开辟了新的道路。
