人工生命（ALife）的研究中，蕴含着能够推动和加速人工智能进步的重要洞见

　　AI自动搜索「可能的生命」

　　生命是什么?

　　这个看似简单的问题，却蕴含着无尽的探索空间。

　　现实世界中，我们只能去观察和研究已知的生命形式。但是，通过计算机模拟，科学家们正在探索一个更宏大命题——可能存在的生命。

　　这也是人工生命(ALife)研究的核心。

　　通过计算机来研究生命，便意味着需要搜索、绘制整个可能的模拟空间，而非是单一的模拟。

　　它能够让研究人员弄清，为什么以及如何通过不同模拟配置，会产生不同涌现的行为。

　　ALife在模拟中进化和学习机制丰富多样，但其基础性突破一个主要障碍是缺乏系统性方法来搜索所有可能的模拟配置。

　　传统上，研究人员主要依靠直觉和经验，去设计猜测这些「人工虚拟世界」的基本规则。

　　另一个挑战便是，在复杂系统中，简单部件大规模相互作用，可能会产生完全意想不到的涌现结果。

　　最最重要的是，这些现象很难，甚至不可能提前预测。

　　这种不可预测性使得设计出，能自我复制、生态系统动态等特性的模拟变得极其困难。

　　也正因此，当前ALife领域的研究往往通过手动设计模拟，而且这些模拟也仅针对简单、可预测的结果，从而限制了意外发现的可能性。

　　那么，什么才是最好的解决办法?

　　Sakana AI、MIT、OpenAI等人认为，自动化搜索模拟的方法，能够扩大探索范围，从根本上改变ALife研究方式。

　　当前，也有很多团队尝试通过复杂生命度量、复杂性、有趣程度去量化ALife，但这些指标几乎总是无法完全捕捉人类对这些概念的细微理解。

　　ASAL开创性框架

　　对此，新研究中提出了一个创新方案：利用基础模型(FM)来自动化搜索合适的模拟。

　　基础模型们基于大量自然界数据完成训练，形成了与人类形式的表征能力，甚至可能正在趋向于真实世界统计特征的「柏拉图式」表征。

　　正是这一特性，使得FM成为量化人工生命复杂性的理想工具。