Wissenschaftler von Sakana AI haben kürzlich einen bahnbrechenden Fortschritt im Bereich der künstlichen Intelligenz erzielt. Sie haben erstmals erfolgreich visuelle Sprachgrundmodelle (Vision-Language Foundation Models, FMs) zur automatisierten Suche nach künstlichem Leben (Artificial Life, ALife) Simulationen eingesetzt. Diese neue Methode, ASAL (Automated Search for Artificial Life, automatisierte Suche nach künstlichem Leben), revolutioniert die Forschung im Bereich des künstlichen Lebens und verspricht, die Entwicklung dieses Feldes zu beschleunigen.
Traditionelle ALife-Forschung stützte sich hauptsächlich auf manuelles Design und Trial-and-Error. ASAL verändert diese Situation. Das Herzstück der Methode ist die Bewertung der von der Simulation erzeugten Videos durch ein Grundmodell, um automatisch interessante ALife-Simulationen zu finden. ASAL entdeckt Lebensformen hauptsächlich durch drei Mechanismen:
Überwachte Zielsuche: Durch Texthinweise werden Simulationen gesucht, die bestimmte Phänomene erzeugen. Forscher können beispielsweise das Ziel „eine Zelle“ oder „zwei Zellen“ vorgeben, damit das System automatisch passende Simulationen findet. Offene Suche: Es werden Simulationen gesucht, die über die Zeit hinweg unaufhörlich neue Entwicklungen zeigen. Dieser Ansatz hilft, Simulationen zu entdecken, die für menschliche Beobachter nachhaltig interessant sind. Heuristische Suche: Es wird nach einer Gruppe interessanter und vielfältiger Simulationen gesucht, um „fremde Welten“ aufzudecken.
Die Universalität von ASAL ermöglicht den effektiven Einsatz in verschiedenen ALife-Substraten, darunter Boids, Particle Life, Game of Life, Lenia und neuronale zellulare Automaten. Die Forscher entdeckten in diesen Substraten nie zuvor gesehene Lebensformen, beispielsweise ungewöhnliche Clustermuster in Boids, neue selbstorganisierende Zellen in Lenia und offene zellulare Automaten ähnlich dem Spiel des Lebens.
Darüber hinaus ermöglicht ASAL die quantitative Analyse von Phänomenen, die bisher nur qualitativ untersucht werden konnten. Grundmodelle verfügen über eine ähnliche Repräsentationsfähigkeit wie der Mensch, wodurch ASAL komplexe Sachverhalte auf eine Weise messen kann, die der menschlichen Wahrnehmung besser entspricht. Beispielsweise können Forscher die Änderungsgeschwindigkeit von CLIP-Vektoren während der Simulation messen, um die Plateauphase in Lenia-Simulationen zu quantifizieren.
Die Innovation dieser Studie liegt in der Verwendung vortrainierter Grundmodelle, insbesondere des CLIP (Contrastive Language–Image Pre-training)-Modells, zur Bewertung der Simulationsvideos. Das CLIP-Modell gleicht durch kontrastives Lernen die Repräsentationen von Bildern und Texten ab, sodass es menschliche Konzepte von Komplexität verstehen kann. Die Methode von ASAL ist nicht auf bestimmte Grundmodelle oder Simulationsubstrate beschränkt, was bedeutet, dass sie mit zukünftigen Modellen und Substraten kompatibel ist.
Die Forscher haben die Wirksamkeit von ASAL auch experimentell verifiziert. Sie führten Tests mit verschiedenen Grundmodellen (wie CLIP und DINOv2) und verschiedenen ALife-Substraten durch. Die Ergebnisse zeigen, dass CLIP bei der Erzeugung einer menschenverstandenen Vielfalt etwas besser abschneidet als DINOv2, aber beide deutlich besser als niedrigstufige Pixelrepräsentationen. Dies unterstreicht die Bedeutung der Verwendung von Deep-Foundation-Modellrepräsentationen zur Messung menschlicher Vielfalt.
Diese Forschung eröffnet neue Wege im Bereich des künstlichen Lebens und ermöglicht es Forschern, sich auf höherwertige Fragen zu konzentrieren, wie beispielsweise die beste Beschreibung der gewünschten Phänomene, wobei der automatisierte Prozess dann die Suche nach diesen Ergebnissen übernimmt. ASAL kann nicht nur Wissenschaftlern helfen, neue Lebensformen zu entdecken, sondern auch die Komplexität und Offenheit von Lebenssimulationen quantitativ zu analysieren. Letztendlich soll diese Technologie dazu beitragen, das Wesen des Lebens und alle möglichen Formen des Lebens im Universum zu verstehen.
Projektcode: https://github.com/SakanaAI/asal/