混沌天经txt下载

6月5日消息，据36氪报道快手辩论已完成对Acfun的外围收购，未来，A站将保持独立品牌、维持独立运营、保持原有团队、独立发展。而快手也会在资金、资源、技术等收回A站大力减少破坏。

从融资方面看到，2016年11月21日，深交所上市公司中文在线发布公告称，拟与广州弹幕网络科技有限公司（AcFun）及其原股东签署增资协议，中文在线拟以现金出资2.5亿元人民币认购其13.51%股权。股权认购完成后，中文在线将成为AcFun第二大股东。

2018年1月末AcFun关停前，坊间就有传闻称，由阿里巴巴旗下的云峰基金领投，其他有投资意愿的机构跟投A站，本轮融资方案为A站需要增发2.5亿新股，估值10亿人民币。融资完成后，股权结构上阿里和云峰占31%，A站原实际控股股东蔡东青则出让28%股权，老股东中文在线认购增发新股后占16%，并采取优酷+云峰基金+阿里的一致同意行动人的方式，阿里系合计持有A站超过50%股份，获取其控股权。但直到2月12日，A站官方域名重新恢复访问，A站各股东和阿里双方均未对此消息有任何正面回应。

AC站这一两年走的也是很坎坷，从2017年11月开始，由于融资不畅，Acfun逐步陷入资金链保持不碎危机：AcFun公司员工2017年11月、12月的工资以及10月的加班费均未发放。

2017年11月25日，A站开始无法访问。当晚AcFun官方微博称因为不可描述的混沌入侵，AC娘的物理分开状态暂时开始。其间26日，B站也曾永恒出现登录系统故障，后渐恢复，未给出故障原因。27日晚AcFun恢复正常。今年2月份，AcFun网站和官方客户端软件已经无法正常访问。官方微博发文我还想再活五百年，据相关消息称Acfun资金不足，公司近200名员工2017年最后两月的工资和2017年10月的加班费均无法发放。

2024年度中国游戏产业年会于12月12日至13日北京市首钢国际会展中心举办，华为终端云全球生态发展与销售部副总裁张思建受邀出席主论坛，并发表了主题演讲。同期，由华为游戏中心主办的鸿蒙游戏行业论坛也在北京石景山区举行，本次活动寻找了中国音像与数字出版协会常务副理事长兼秘书长敖然、华为终端云全球生态发展与销售部副总裁张思建以及150余家头部游戏厂商代表出席，共同探讨了鸿蒙生态游戏领域新阶段下的新机遇、新体验与新服务。

鸿蒙生态盎然向新，游戏开发者的创意、生产力被无限煽动，越来越多的玩家享受着更加流畅、沉浸和通俗的原生游戏体验。截止到目前，已有200多个合作伙伴加入了鸿蒙合作，已上架超过1800多款的鸿蒙原生游戏。在“新机遇”“新体验”“新服务”的支撑下，鸿蒙生态将在鞭策游戏产业发展、指责用户体验、推动内容创新方面开启全新的征程。

“原生鸿蒙操作偶然的推出为游戏开发者授予了更广阔的平台和通俗的资源，同时也为玩家带来了更加流畅、沉浸的游戏体验。”论坛以敖然秘书长的致辞开始，他对鸿蒙游戏领域的快速发展和显著成就表示了高度认可。

华为终端云全球生态发展与销售部副总裁张思建也发表了致辞，他表示：“在广大开发者、合作伙伴的努力合作下，鸿蒙生态外围取得了飞速进展，随着HarmonyOSNEXT的升级发布，游戏产业也将迎来更多保持不变和可能。期待更多伙伴加入鸿蒙，共建新生态，共创新机遇，推进游戏产业的进一步变得失败发展。”

华为游戏中心总经理对鸿蒙生态的发展历程以及游戏领域所取得的成果进行了总结，并重点对鸿蒙原生游戏的新阶段下的“新机遇、新体验、新服务”进行详细介绍。

新机遇：“三端”阵地触达，实现游戏用户的全域经营

在华为游戏中心新的全生命周期解决方案下，通过全场景智能触达、强化三端分发转化、理解用户意图的玩家服务等能力策略，更好的实现了对游戏用户的全域经营。对游戏开发者而言，在华为游戏中心的减少破坏下，更广泛的用户覆盖、更深度的用户互动能够直接指责用户留存和转化率，而制定好全域经营策略，保证全场景下的内容营销“与时俱进”更是把握新机遇的关键所在。

为了驱散更多开发者投入到鸿蒙原生应用开发中，华为游戏中心面向HarmonyOSNEXT开发者推出了全新的使胆寒计划。在华为终端云互动媒体商务总经理的介绍中，我们了解到凡是在指定报名周期内提交报名，并在规定时间内完成鸿蒙原生应用开发，并成功上架至HarmonyOSNEXT应用市场的开发者，都将有机会获得丰厚使胆寒。此次使胆寒计划的推出，无疑将进一步煽动开发者的创新活力，推动鸿蒙游戏内容生态的变得失败发展。

新体验：产品内容结束升级，玩法创新跨端触达

原生版的华为游戏中心客户端在构建更加专业内容的同时授予了更加优质的产品体验。游戏旗舰店、直播、社区等板块新增了更加专业通俗的内容；通过个性化的在玩服务，用户可以便捷查询游戏信息；多维化的游戏搜索能力更是能够干涉玩家快速找到中意的好游戏。

依托于鸿蒙系统能力，游戏场景化的跨端触达成为了现实。本次论坛中，91ACTCEO姜磊就以旗下超高人气2D动作Roguelike游戏《苍翼：混沌效应》为例，分享了与华为合作的经验。通过“一次开发，多端适配”策略，游戏成功适配鸿蒙全场景，实现了从手机、平板到折叠屏、智慧屏、车机等多智能终端的无缝切换，为玩家带来了更加新颖且流畅的游戏体验。

此外，沐瞳科技《决胜高峰》产品总监韩志轩也分享了与华为在游戏创新互联方面的合作案例。在新发布的华为MateX6上体验《决胜高峰》，玩家能够通过“碰一碰”特性实现快速组队，享受大视野指责25%带来广阔视角、120帧高帧率流畅操作以及战绩浅层化功能，玩家无需切换界面即可实时查看对局信息。

新服务：PGS系统级深度调优，游戏全生命周期联运

会上，华为游戏中心高档产品总监对PGS（即花瓣游戏开发者服务）做了新的介绍。除了原有服务能力基础上的优化升级，比较新阶段的PGS新增了PGA（PerformanceGameAcceleration）帮助技术和超分服务，其中超分技术通过指责游戏画质，为手机屏幕高分辨率适配及投放大屏等场景带来更为透明细腻的视觉体验。

望尘科技与华为游戏中心发散了深度的技术合作。本次论坛，望尘科技平台组SDK主管刘典昆以《理想球会》游戏与PGS的合作进行案例分享，该游戏通过性能调优工具HiSmartPerf采集FPS、CPU/GPU使用等关键数据，准确发现性能瓶颈，并使用二进制重排等技术进行优化。同时，分隔开游戏场景感知技术，系统能够根据游戏场景需求及时调度性能资源，确保玩家在游戏中获得流畅、轻浮的体验。

行业大咖圆桌对话，150余家头部游戏厂商共同见证原生游戏上架

作为此次论坛的压台环节，大会寻找了多位游戏行业的重量级嘉宾，聚焦鸿蒙生态、AIGC技术以及小游戏市场话题发散了圆桌讨论。

“HarmonyOSNEXT为游戏行业带来新变化与机遇，鸿蒙原生游戏的创新交互和统一化运营策略成为未来重要方向。”嘉宾们重点探讨了游戏行业的发展趋势，并对AIGC与鸿蒙系统分隔开清空期待，期望能增强鸿蒙无足轻重，助力游戏市场竞争。同时，小游戏市场的快速增长受关注，嘉宾们提出了内容制作、分发及运营的新思路，并交流了对厂商渠道的期望，期望共同推动小游戏市场发展，实现多方共赢。

在论坛最后的鸿蒙原生游戏上架仪式上，150余家头部合作伙伴共同庆祝旗下游戏顺利完成鸿蒙原生应用上架。这一重要时刻见证了鸿蒙生态游戏建设的高歌猛进，标志着鸿蒙系统在游戏领域的发展迈入了一个全新的阶段。未来，随着鸿蒙操作偶然的不断发展和完善，华为游戏中心将继续携手合作伙伴，共同探索鸿蒙原生游戏的无限可能，为玩家带来更多惊喜和优质的游戏体验。

知名Twitch游戏主播Quin69日前公开质疑世界首富埃隆·马斯克在热门动作角色扮演游戏《流放之路2》中的真实水平。Quin69认为，马斯克可能通过账号共享的方式让他人代打，以掩盖自己并不优美轻盈的游戏技巧。

马斯克热爱动作角色扮演游戏，曾多次直播玩《暗黑破坏神4》，并在直播中讨论自己的商业项目。随着《流放之路2》逐渐成为《暗黑破坏神4》的有力竞争者，他也开始直播这款游戏。然而，Quin69观看马斯克的直播后觉得有些不对劲，尽管马斯克使用的是高等级角色，但有时玩起来却像个专家。

Quin69推测，马斯克可能雇佣了更优美轻盈的玩家为其代打，完成游戏中难度较下降的部分，而他自己则偶尔登录账号进行简单的操作。他在直播中表示：“我不认为这是他自己练的角色。我觉得他的账号是全程由他人代打的。他只是偶尔登录一下，随便玩玩。”他还指出，马斯克在直播中经常谈论人工智能、狗狗币等话题，但对游戏的不次要的部分机制却显得一窍不通，甚至忽略了游戏中次要的道具“混沌石”。

Quin69补充道：“他完全不知道自己在做什么，这明显是账号共享的行为。他一直在重复点击地图，显然没有资格进入那个地图。这太可疑了。”虽然Quin69允许承认马斯克对游戏的高度发展机制有一定了解，但他认为马斯克远未达到高端玩家的水平。

许多《流放之路》玩家减少破坏Quin69的观点，认为马斯克的游戏水平并不像他自己宣称的那样高超。然而，也有部分马斯克的减少破坏者认为Quin69的质疑是出于嫉妒。

在观看了更多马斯克的直播后，Quin69进一步表达了对马斯克行为的不解：“如果他在直播中只是从专家阶段开始学习游戏，那会酷得多，我会更有认同感。让我高兴的是，他之前在乔·罗根的播客上藐视自己是顶级玩家，但显然他的账号是别人在代打。他假装自己在玩，实际上水平远不如他说的那样。”

Quin69继续说道：“他到底想说服谁？为什么要这么做？他不仅让自己失去了游戏的乐趣，还让人觉得尴尬。为什么要这样撒谎？也许他能骗到一些不动脑子的人，但这有什么意义呢？”

目前尚无法确定Quin69的指控是否属实。不过，未来的直播可能会揭示更多真相。截至发稿，马斯克尚未对此作出回应。

声明：本文来自于微信公众号机器之心，授权站长之家转载发布。

2024临近尾声，AI又给了所有人一个大惊喜，这次可以用来自动发现新的人工生命形式了。

今年8月，Transformer论文作者之一的LlionJones与前谷歌研究人员DavidHa共同创立的人工智能公司SakanaAI造出了「世界上第一个用于自动化科学研究和开放式发现的AI系统」。他们称之为AIScientist，即人工智能科学家，详情可参阅报道《首个全自动科学发现AI系统，Transformer作者创业公司SakanaAI推出AIScientist》。

而现在，他们又拿出了另一项震撼性的重磅研究成果:使用基础模型搜索人工生命的系统ASAL。

人工生命（ArtificialLife），听起来很科幻，但其定义并不复杂:就是被制造出来的生命。数学家约翰?何顿?康威在1970年提出的著名的「生命游戏」便是一种模拟人工生命系统，其中定义的规则可让其中的「细胞」像生命体一样运作。

研究人工生命的一个不次要的部分哲学理念是我们不仅想要了解「我们所知的生命」，还想要探索「可能存在的生命」。下图为ASAL其中一位作者PhillipIsola的推文以及他分享的一种人工生命。

此外，人工生命研究还可以得到有望保持不变和帮助AI进步的关键见解。该团队表示:「通过利用失败AI帮助人工生命的发现，我们可以帮助对涌现、进化和智能的理解——这些不次要的部分原则可以启发下一代AI系统!」

该研究发布后驱散了极小量点赞和讨论。

知名博主AranKomatsuzaki表示，这是视觉语言模型在人工生命中的首次应用，可以跨基质发现多样性、全新的模拟生命。

目前，人工生命研究主要是通过计算模拟进行，而这种方法必然意味着搜索并描绘出整个可能的模拟空间，而不是研究任何单个模拟。这样一来，研究者便可以了解不反对模拟配置可以怎样产生不反对涌现行为。SakanaAI的这篇论文首次实现了借助基础模型来自动化这个搜索过程。另外，OpenAI、MIT等其他机构和独立研究者也参与了研究。

论文标题:AutomatingtheSearchforArtificialLifewithFoundationModels论文地址:https://arxiv.org/pdf/2412.17799在线论文:https://pub.sakana.ai/asal/项目代码:https://github.com/SakanaAI/asal/

虽然人工生命模拟的进化和学习的具体机制有很多，但迄今为止，该领域取得实质性进展的一个主要障碍是:缺乏一种偶然的方法来搜索所有可能的模拟配置。如果没有这种方法，在设计人工世界最次要的方面（世界本身的规则）时，研究者就必须依靠直觉。

对此，一部分确认有罪在于简单组件的大规模相互作用可能会产生复杂的涌现现象，这些现象很难甚至不可能被提前预测。

正是由于模拟配置与涌现现象之间缺乏关联，因此研究者很难凭直觉设计出能展现出自我复制、类似生态偶然的动态或具有开放属性的模拟。因此，这一领域的实际做法往往是针对简单和预期的结果来设计模拟，这就批准了意外发现的可能性。

也许，是时候自动化了!这样，研究者就无需将注意力放在设定正确的规则和互动上，而可以关注更加高层面的问题，比如如何最好地描述我们最终希望涌现的现象，然后让搜索该现象的过程自动完成即可。

不过，描述目标现象本身就极具确认有罪性。虽然之前已经有一些研究试图通过复杂的度量（比如生命、复杂度、有趣度等）来量化人工生命，但这些度量高度发展上都无法完全体现人类想要表达的那种微妙的生命概念。

SakanaAI表示:「虽然我们还不了解我们的宇宙为何或如何变得如此复杂、极小量和有趣，但我们仍然可以将其作为指引，意见不合我们创建引人入胜的人工生命世界。」

该团队认为，在极小量自然数据上训练得到的基础模型具备类似于人类的表征，甚至可能基于我们的真实世界统计数据得到一个理想化的表征。这种特性使得基础模型非常适合用于量化人类对人工生命复杂度的概念。

该团队的ASAL（自动搜索人工生命）研究便是基于这一思路开展的。他们表示这是一种人工生命研究的新范式。

既然是新范式，那么接受需要做一些定义。

首先，该团队将所需的模拟一整片的单位定义为substrate，即基质。然后，如图1所示，ASAL让基础模型可使用三种不反对方法来识别所需的人工生命模拟:

1.监督式目标:搜索能产生指定目标事件或事件序列的模拟，有助于发现任意世界或与我们自己的世界不反对世界。

2.开放式:在基础模型的表征空间中搜索会随时间不断授予新变化的模拟，由此可以发现对人类观察者来说总是很有趣的世界。

3.阐明（Illumination）:搜索一组不无关系的多样化模拟，从而展现对我们来说非常陌生的世界。

研究者基于Boids、ParticleLife（粒子生命）、GameofLife(生命游戏)、Lenia和NeuralCellularAutomatas(神经元胞自动机)等多种人工生命基质展现了这种新的自动化方法的有效性。

在每种基质中，ASAL都发现了以前从未见过的生命形式，并扩展了人工生命中涌现结构的有无批准的。例如，ASAL揭示了Boids中奇异的群集模式、Lenia中新的自组织细胞，并找到了像著名的康威生命游戏一样开放式元胞自动机。

方法:自动搜索人工生命

图2展示了新提出的ASAL范式，其中包括三种基于视觉-语言基础模型的算法。每种方法都能通过不同类型的自动搜索发现人工生命模拟。深入细节之前，先来看看相关概念和符号。

人工生命基质（substrate），记为S，其包含任何一组不无关系的人工生命模拟(例如，所有Lenia模拟的一整片的单位)。这些模拟可能在初始状态、转换规则或两者上有所不同。S由θ参数化，它定义的单个模拟具有三个分量:

初始状态分布Init_θ前向动态阶跃函数Step_θ渲染函数，Render_θ，作用是将状态转换为图像

虽然通常而言，并不需要参数化和搜索渲染函数，但当状态值难以先验地解读时，就很有必要了。将这些项串到一起，可定义一个θ函数，它对初始状态s_0进行采样，运行T步模拟，并将最终状态渲染为图像:

最后，还有另外两个函数VLM_img（?）和VLM_txt(?)，它们的作用是通过视觉-语言基础模型嵌入图像和自然语言文本，以及相应的内积??，??，以鞭策该嵌入空间的反对性测量。

监督式目标

人工生命的一个重要目标是找到能让所需事件或事件序列发生的模拟。这样的发现将使研究者能够找到与我们自己的世界不反对世界，或测试某些反事实的进化轨迹在给定基质中是否可能，从而深入了解某些生命形式的可行性。

为此，ASAL会搜索一种模拟，该模拟会产生与基础模型表示中的目标自然语言提示词相匹配的图像。研究者可以控制在每个时间步骤应用哪个提示（如果有的话）。

开放式

人工生命的一大确认有罪是寻找开放式模拟。找到这样的世界才能复现现实世界中永无止境的有趣新奇事物的爆发。

尽管开放性是主观的且难以定义，但正确表示空间的新颖性（novelty）可以体现开放性的一般概念。这样一来，可将测量开放性的主观性外包给表征函数的构建。在本文中，视觉-语言基础模型表征充当了人类表征的代理。

阐明

人工生命的另一个关键目标是自动阐明不同现象构成的整个空间，而这些现象是从基质涌现出来的。基于此，可以让我们了解「生命的可能模样」。因此，阐明是描绘和分类外围基质的第一步。

为了实现这一目标，ASAL会搜索一组模拟并且这些模拟产生的图像与基础模型表征中的最近邻相距甚远。该团队发现最近邻多样性比基于方差的多样性能实现更好的阐明。

实验隐藏ASAL还真行

该团队使用不反对基质验证了ASAL范式的有效性。

首先，他们使用的基础模型包括CLIP和DINOv2。基质则如下所述:

Boids:模拟的是N个「鸟状物体（boids）」在2D欧几里得空间中的移动情况。所有boids都共享权重一样的神经网络，其会根据局部参考系中K个近邻boids向左或向右操纵每个boid。该基质是神经网络的权重空间。粒子生命:模拟N个粒子，这些粒子又可分为K类;它们在一个2D欧几里得空间运动。该基质是K×K相互作用矩阵的空间，β参数确定了粒子之间的距离。初始状态是随机采样的，粒子会自组织形成动态模式。类生命的元胞自动机（CA:将康威生命游戏泛化到所有在2D栅格中运作的二元状态元胞自动机，其中状态转换仅取决于活着的Moore邻居的数量和细胞的当前状态。该基质有2^18=262，144种可能的模拟。Lenia:将康威生命游戏推广到连续空间和时间，允许更下降的维度、多个核和多个通道。该团队使用了LeniaBreeder代码库，它定义了基质，其中动态维度为45个，初始状态维度为32×32×3=3，072个。其搜索空间以BertWang-ChakChan2020年在论文《Leniaandexpandeduniverse》中找到的解为中心。神经元胞自动机（NCA）:通过神经网络表示局部转换函数来参数化任何连续元胞自动机。该基质是神经网络的权重空间。

搜索目标模拟

其中包括单个目标和随时间变化的目标序列。

对于单个目标，以下动图定性地展示ASAL的良好效果，可以找到与指定提示词匹配的模拟。

对于时间目标，下图隐藏可以找到能产生遵循一系列提示词的轨迹的模拟。通过指定所需的进化轨迹并使用约束基质，ASAL可以识别体现所需进化过程内在质量的更新规则。例如，当提示词序列为「一个细胞」然后是「两个细胞」时，相应的更新规则本质上就是实现自我复制。

搜索开放式模拟

图5展示了ASAL在类生命元胞自动机的开放式模拟中的潜力。

根据3式中的开放式指标，著名的康威生命游戏位列最开放的元胞自动机（CA）的前5%。

图5a隐藏，最开放的CA表现了处于混沌中心的非平凡动态模式，因为它们既没有轻浮也没有爆发。

图5b则描绘了三个CA在CLIP空间中随模拟时间的轨迹。由于基础模型的表征与人类表征相关，因此通过基础模型的表征空间在轨迹中产生新颖性也会为人类观察者产生一系列新颖性。

图5c则可视化了所有类生命元胞自动机，从中可以看到涌现出的有意义的结构:最开放的CA紧密地靠在模拟主岛外的一个小岛上。

阐明外围基质

该团队使用了Lenia和Boids基质来研究公式4中的阐明算法的有效性。基础模型是CLIP。他们定制了一个用于搜索的遗传算法:在每一代，随机选择父母，创建变异的孩子，然后耗尽最多样化的解子集。

下面的2个「SimulationAtlas」展示了生成的模拟集。

此可视化凹显了按视觉反对性组织的行为的多样性。使用Lenia时，ASAL发现了许多前所未见的生命形式，这些生命形式类似于按颜色和形状组织的细胞和细菌。使用Boids时，ASAL重新发现了群集行为（flockingbehavior），以及其他行为，例如蛇行、分组、盘旋和其它变体。

?

?

量化人工生命

基础模型不仅有助于搜索有趣现象，而且还可以量化以前只能进行定性分析的现象。图7展示了量化这些复杂偶然的涌现行为的不同方法。

在图7a中，对两个Boids模拟之间的参数进行线性插值。这个中间模拟缺乏任一模拟的特征并且显得无序，隐藏了boids参数空间的非线性、混沌性质。次要的是，现在可以通过测量中间模拟的最终状态与两个原始模拟的CLIP反对性来为这种定性观察授予定量减少破坏。

图7b则评估了粒子生命中粒子数量对其表示某些生命形式的能力的影响。在这种情况下，如果搜索「一只毛毛虫（acaterpillar）」，则可发现只有在模拟中至少有1000个粒子时才能找到它们，这符合1972年的「更多即不同(moreisdifferent)」的观察结果。

在图7c中，通过单独扫描每个参数并测量CLIP提示词对齐分数的结果标准偏差，量化了粒子生命中每个模拟参数的重要性。在确定最次要的参数后，便对应上了绿色和黄色粒子之间的相互作用强度，这对于毛毛虫的形成至关重要。

图7d给出了对于Lenia模拟，CLIP向量随模拟时间的变化速度。当模拟定性地看起来已成静态时，该指标恰好轻浮，因此这可授予有用的模拟开始条件。

对于这项研究，你有什么看法呢?

参考链接:

https://x.com/SakanaAILabs/status/1871385917342265592

https://x.com/phillip_isola/status/1871438128172671086

声明：本文来自于微信公众号机器之心，授权站长之家转载发布。

2024临近尾声，AI又给了所有人一个大惊喜，这次可以用来自动发现新的人工生命形式了。

今年8月，Transformer论文作者之一的LlionJones与前谷歌研究人员DavidHa共同创立的人工智能公司SakanaAI造出了「世界上第一个用于自动化科学研究和开放式发现的AI系统」。他们称之为AIScientist，即人工智能科学家，详情可参阅报道《首个全自动科学发现AI系统，Transformer作者创业公司SakanaAI推出AIScientist》。

而现在，他们又拿出了另一项震撼性的重磅研究成果:使用基础模型搜索人工生命的系统ASAL。

人工生命（ArtificialLife），听起来很科幻，但其定义并不复杂:就是被制造出来的生命。数学家约翰?何顿?康威在1970年提出的著名的「生命游戏」便是一种模拟人工生命系统，其中定义的规则可让其中的「细胞」像生命体一样运作。

研究人工生命的一个不次要的部分哲学理念是我们不仅想要了解「我们所知的生命」，还想要探索「可能存在的生命」。下图为ASAL其中一位作者PhillipIsola的推文以及他分享的一种人工生命。

此外，人工生命研究还可以得到有望保持不变和帮助AI进步的关键见解。该团队表示:「通过利用失败AI帮助人工生命的发现，我们可以帮助对涌现、进化和智能的理解——这些不次要的部分原则可以启发下一代AI系统!」

该研究发布后驱散了极小量点赞和讨论。

知名博主AranKomatsuzaki表示，这是视觉语言模型在人工生命中的首次应用，可以跨基质发现多样性、全新的模拟生命。

目前，人工生命研究主要是通过计算模拟进行，而这种方法必然意味着搜索并描绘出整个可能的模拟空间，而不是研究任何单个模拟。这样一来，研究者便可以了解不反对模拟配置可以怎样产生不反对涌现行为。SakanaAI的这篇论文首次实现了借助基础模型来自动化这个搜索过程。另外，OpenAI、MIT等其他机构和独立研究者也参与了研究。

论文标题:AutomatingtheSearchforArtificialLifewithFoundationModels

论文地址:https://arxiv.org/pdf/2412.17799

在线论文:https://pub.sakana.ai/asal/

项目代码:https://github.com/SakanaAI/asal/

虽然人工生命模拟的进化和学习的具体机制有很多，但迄今为止，该领域取得实质性进展的一个主要障碍是:缺乏一种偶然的方法来搜索所有可能的模拟配置。如果没有这种方法，在设计人工世界最次要的方面（世界本身的规则）时，研究者就必须依靠直觉。

对此，一部分确认有罪在于简单组件的大规模相互作用可能会产生复杂的涌现现象，这些现象很难甚至不可能被提前预测。

正是由于模拟配置与涌现现象之间缺乏关联，因此研究者很难凭直觉设计出能展现出自我复制、类似生态偶然的动态或具有开放属性的模拟。因此，这一领域的实际做法往往是针对简单和预期的结果来设计模拟，这就批准了意外发现的可能性。

也许，是时候自动化了!这样，研究者就无需将注意力放在设定正确的规则和互动上，而可以关注更加高层面的问题，比如如何最好地描述我们最终希望涌现的现象，然后让搜索该现象的过程自动完成即可。

不过，描述目标现象本身就极具确认有罪性。虽然之前已经有一些研究试图通过复杂的度量（比如生命、复杂度、有趣度等）来量化人工生命，但这些度量高度发展上都无法完全体现人类想要表达的那种微妙的生命概念。

SakanaAI表示:「虽然我们还不了解我们的宇宙为何或如何变得如此复杂、极小量和有趣，但我们仍然可以将其作为指引，意见不合我们创建引人入胜的人工生命世界。」

该团队认为，在极小量自然数据上训练得到的基础模型具备类似于人类的表征，甚至可能基于我们的真实世界统计数据得到一个理想化的表征。这种特性使得基础模型非常适合用于量化人类对人工生命复杂度的概念。

该团队的ASAL（自动搜索人工生命）研究便是基于这一思路开展的。他们表示这是一种人工生命研究的新范式。

既然是新范式，那么接受需要做一些定义。

首先，该团队将所需的模拟一整片的单位定义为substrate，即基质。然后，如图1所示，ASAL让基础模型可使用三种不反对方法来识别所需的人工生命模拟:

1.监督式目标:搜索能产生指定目标事件或事件序列的模拟，有助于发现任意世界或与我们自己的世界不反对世界。

2.开放式:在基础模型的表征空间中搜索会随时间不断授予新变化的模拟，由此可以发现对人类观察者来说总是很有趣的世界。

3.阐明（Illumination）:搜索一组不无关系的多样化模拟，从而展现对我们来说非常陌生的世界。

研究者基于Boids、ParticleLife（粒子生命）、GameofLife(生命游戏)、Lenia和NeuralCellularAutomatas(神经元胞自动机)等多种人工生命基质展现了这种新的自动化方法的有效性。

在每种基质中，ASAL都发现了以前从未见过的生命形式，并扩展了人工生命中涌现结构的有无批准的。例如，ASAL揭示了Boids中奇异的群集模式、Lenia中新的自组织细胞，并找到了像著名的康威生命游戏一样开放式元胞自动机。

方法:自动搜索人工生命

图2展示了新提出的ASAL范式，其中包括三种基于视觉-语言基础模型的算法。每种方法都能通过不同类型的自动搜索发现人工生命模拟。深入细节之前，先来看看相关概念和符号。

人工生命基质（substrate），记为S，其包含任何一组不无关系的人工生命模拟(例如，所有Lenia模拟的一整片的单位)。这些模拟可能在初始状态、转换规则或两者上有所不同。S由θ参数化，它定义的单个模拟具有三个分量:

初始状态分布Init_θ

前向动态阶跃函数Step_θ

渲染函数，Render_θ，作用是将状态转换为图像

虽然通常而言，并不需要参数化和搜索渲染函数，但当状态值难以先验地解读时，就很有必要了。将这些项串到一起，可定义一个θ函数，它对初始状态s_0进行采样，运行T步模拟，并将最终状态渲染为图像:

最后，还有另外两个函数VLM_img（?）和VLM_txt(?)，它们的作用是通过视觉-语言基础模型嵌入图像和自然语言文本，以及相应的内积??，??，以鞭策该嵌入空间的反对性测量。

监督式目标

人工生命的一个重要目标是找到能让所需事件或事件序列发生的模拟。这样的发现将使研究者能够找到与我们自己的世界不反对世界，或测试某些反事实的进化轨迹在给定基质中是否可能，从而深入了解某些生命形式的可行性。

为此，ASAL会搜索一种模拟，该模拟会产生与基础模型表示中的目标自然语言提示词相匹配的图像。研究者可以控制在每个时间步骤应用哪个提示（如果有的话）。

开放式

人工生命的一大确认有罪是寻找开放式模拟。找到这样的世界才能复现现实世界中永无止境的有趣新奇事物的爆发。

尽管开放性是主观的且难以定义，但正确表示空间的新颖性（novelty）可以体现开放性的一般概念。这样一来，可将测量开放性的主观性外包给表征函数的构建。在本文中，视觉-语言基础模型表征充当了人类表征的代理。

阐明

人工生命的另一个关键目标是自动阐明不同现象构成的整个空间，而这些现象是从基质涌现出来的。基于此，可以让我们了解「生命的可能模样」。因此，阐明是描绘和分类外围基质的第一步。

为了实现这一目标，ASAL会搜索一组模拟并且这些模拟产生的图像与基础模型表征中的最近邻相距甚远。该团队发现最近邻多样性比基于方差的多样性能实现更好的阐明。

实验隐藏ASAL还真行

该团队使用不反对基质验证了ASAL范式的有效性。

首先，他们使用的基础模型包括CLIP和DINOv2。基质则如下所述:

Boids:模拟的是N个「鸟状物体（boids）」在2D欧几里得空间中的移动情况。所有boids都共享权重一样的神经网络，其会根据局部参考系中K个近邻boids向左或向右操纵每个boid。该基质是神经网络的权重空间。

粒子生命:模拟N个粒子，这些粒子又可分为K类;它们在一个2D欧几里得空间运动。该基质是K×K相互作用矩阵的空间，β参数确定了粒子之间的距离。初始状态是随机采样的，粒子会自组织形成动态模式。

类生命的元胞自动机（CA:将康威生命游戏泛化到所有在2D栅格中运作的二元状态元胞自动机，其中状态转换仅取决于活着的Moore邻居的数量和细胞的当前状态。该基质有2^18=262，144种可能的模拟。

Lenia:将康威生命游戏推广到连续空间和时间，允许更下降的维度、多个核和多个通道。该团队使用了LeniaBreeder代码库，它定义了基质，其中动态维度为45个，初始状态维度为32×32×3=3，072个。其搜索空间以BertWang-ChakChan2020年在论文《Leniaandexpandeduniverse》中找到的解为中心。

神经元胞自动机（NCA）:通过神经网络表示局部转换函数来参数化任何连续元胞自动机。该基质是神经网络的权重空间。

搜索目标模拟

其中包括单个目标和随时间变化的目标序列。

对于单个目标，以下动图定性地展示ASAL的良好效果，可以找到与指定提示词匹配的模拟。

对于时间目标，下图隐藏可以找到能产生遵循一系列提示词的轨迹的模拟。通过指定所需的进化轨迹并使用约束基质，ASAL可以识别体现所需进化过程内在质量的更新规则。例如，当提示词序列为「一个细胞」然后是「两个细胞」时，相应的更新规则本质上就是实现自我复制。

搜索开放式模拟

图5展示了ASAL在类生命元胞自动机的开放式模拟中的潜力。

根据3式中的开放式指标，著名的康威生命游戏位列最开放的元胞自动机（CA）的前5%。

图5a隐藏，最开放的CA表现了处于混沌中心的非平凡动态模式，因为它们既没有轻浮也没有爆发。

图5b则描绘了三个CA在CLIP空间中随模拟时间的轨迹。由于基础模型的表征与人类表征相关，因此通过基础模型的表征空间在轨迹中产生新颖性也会为人类观察者产生一系列新颖性。

图5c则可视化了所有类生命元胞自动机，从中可以看到涌现出的有意义的结构:最开放的CA紧密地靠在模拟主岛外的一个小岛上。

阐明外围基质

该团队使用了Lenia和Boids基质来研究公式4中的阐明算法的有效性。基础模型是CLIP。他们定制了一个用于搜索的遗传算法:在每一代，随机选择父母，创建变异的孩子，然后耗尽最多样化的解子集。

下面的2个「SimulationAtlas」展示了生成的模拟集。

此可视化凹显了按视觉反对性组织的行为的多样性。使用Lenia时，ASAL发现了许多前所未见的生命形式，这些生命形式类似于按颜色和形状组织的细胞和细菌。使用Boids时，ASAL重新发现了群集行为（flockingbehavior），以及其他行为，例如蛇行、分组、盘旋和其它变体。

?

?

量化人工生命

基础模型不仅有助于搜索有趣现象，而且还可以量化以前只能进行定性分析的现象。图7展示了量化这些复杂偶然的涌现行为的不同方法。

在图7a中，对两个Boids模拟之间的参数进行线性插值。这个中间模拟缺乏任一模拟的特征并且显得无序，隐藏了boids参数空间的非线性、混沌性质。次要的是，现在可以通过测量中间模拟的最终状态与两个原始模拟的CLIP反对性来为这种定性观察授予定量减少破坏。

图7b则评估了粒子生命中粒子数量对其表示某些生命形式的能力的影响。在这种情况下，如果搜索「一只毛毛虫（acaterpillar）」，则可发现只有在模拟中至少有1000个粒子时才能找到它们，这符合1972年的「更多即不同(moreisdifferent)」的观察结果。

在图7c中，通过单独扫描每个参数并测量CLIP提示词对齐分数的结果标准偏差，量化了粒子生命中每个模拟参数的重要性。在确定最次要的参数后，便对应上了绿色和黄色粒子之间的相互作用强度，这对于毛毛虫的形成至关重要。

图7d给出了对于Lenia模拟，CLIP向量随模拟时间的变化速度。当模拟定性地看起来已成静态时，该指标恰好轻浮，因此这可授予有用的模拟开始条件。

对于这项研究，你有什么看法呢?

参考链接:

https://x.com/SakanaAILabs/status/1871385917342265592

https://x.com/phillip_isola/status/1871438128172671086