ASAL（Automated Search for Artificial Life）是用基础模型自动化搜索人工生命（ALife）的系统。ASAL是Sakana AI及MIT、OpenAI等机构联合推出的，主要基于三种搜索机制实现：有监督目标搜索、开放式搜索和照明式搜索。其中，有监督目标搜索找到能产生特定现象或事件序列的模拟；开放式搜索关注于发现够持续产生新行为的模拟；照明式搜索则识别展现多样行为的模拟。ASAL在多个经典ALife基质（如Boids、粒子生命、类生命元胞自动机、Lenia和神经元胞自动机）中进行有效验证，成功发现了以前未见的生命形式，扩展了ALife研究的边界。
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。ASAL的项目地址项目官网：pub.sakana.ai/asalGitHub仓库：https://github.com/SakanaAI/asalarXiv技术论文：https://arxiv.org/pdf/2412.17799ASAL的应用场景生物进化研究：模拟生物进化过程，研究遗传变异和自然选择如何导致新物种的产生。智能机器人行为：探索机器人在未知环境中的自适应行为和学习策略，提高其自主性。游戏AI开发：在游戏开发中，生成具有复杂行为的非玩家角色（NPCs），提升游戏的沉浸感和挑战性。生态保护模拟：模拟不同保护措施对生态系统的影响，为生态保护决策提供科学依据。艺术创作：生成动态艺术作品，根据观众的互动或外部环境变化而演变。 
