Investigadores del MIT, Sakana AI, OpenAI y el Swiss AI Lab IDSIA proponen un nuevo algoritmo llamado búsqueda automatizada de vida artificial (ASAL) para automatizar el descubrimiento de vida artificial utilizando modelos básicos de visión-lenguaje

La investigación sobre Vida Artificial (ALife) explora el surgimiento de comportamientos realistas a través de simulaciones computacionales, proporcionando un marco único para estudiar “la vida tal como podría ser”. Sin embargo, el campo enfrenta limitaciones significativas: la dependencia de reglas y configuraciones de simulación diseñadas manualmente. Este proceso requiere mucho tiempo y está limitado por la intuición humana, lo que deja muchos descubrimientos potenciales sin explorar. Los investigadores a menudo dependen del ensayo y error para identificar configuraciones que conducen a fenómenos como la autorreplicación, la dinámica de los ecosistemas o los comportamientos emergentes. Estos desafíos limitan el progreso y la amplitud de los descubrimientos.

Otra complicación es la dificultad para evaluar fenómenos realistas. Si bien métricas como la complejidad y la novedad brindan algunas ideas, a menudo no logran captar la percepción humana matizada de lo que hace que los fenómenos sean “interesantes” o “realistas”. Esta brecha subraya la necesidad de enfoques sistemáticos y escalables.

Para abordar estos desafíos, investigadores del MIT, Sakana AI, OpenAI y el Swiss AI Lab IDSIA han desarrollado la búsqueda automatizada de vida artificial (ASAL). Este innovador algoritmo aprovecha los modelos básicos (FM) de visión y lenguaje para automatizar el descubrimiento de formas de vida artificiales. En lugar de diseñar cada regla manualmente, los investigadores pueden definir el espacio de simulación y ASAL lo explora de forma autónoma.

ASAL integra FM de lenguaje visual, como CLIP, para alinear las salidas visuales con indicaciones textuales, lo que permite la evaluación de simulaciones en un espacio de representación similar al humano. El algoritmo opera a través de tres mecanismos distintos:

1. Búsqueda de objetivos supervisada: Identifica simulaciones que producen fenómenos específicos.
2. Búsqueda abierta: Descubre simulaciones que generan patrones novedosos y sostenidos temporalmente.
3. Búsqueda de iluminación: Mapea diversas simulaciones, revelando la amplitud de formas de vida potenciales.

Este enfoque cambia el enfoque de los investigadores de la configuración de bajo nivel a la investigación de alto nivel sobre los resultados deseados, mejorando enormemente el alcance de la exploración de ALife.

Información técnica y ventajas

ASAL utiliza FM de lenguaje visual para evaluar espacios de simulación definidos por tres componentes clave:

• Distribución estatal inicial: Especifica las condiciones iniciales.
• Función de paso: Gobierna la dinámica de la simulación en el tiempo.
• Función de renderizado: Convierte estados de simulación en imágenes interpretables.

Al incorporar resultados de simulación en un espacio de representación alineado con humanos, ASAL permite:

1. Exploración eficiente: Automatizar el proceso de búsqueda ahorra tiempo y esfuerzo computacional.
2. Amplia aplicabilidad: ASAL es compatible con varios sistemas ALife, incluidos Lenia, Boids, Particle Life y Neural Cellular Automata.
3. Métricas mejoradas: Los FM de lenguaje visual cierran la brecha entre el juicio humano y la evaluación computacional.
4. Descubrimiento abierto: El algoritmo se destaca en la identificación de patrones continuos y novedosos que son fundamentales para los objetivos de investigación de ALife.

Resultados clave y observaciones

Los experimentos han demostrado la eficacia de ASAL en varios sustratos:

• Búsqueda de objetivos supervisada: ASAL descubrió con éxito simulaciones que coincidían con indicaciones como “moléculas autorreplicantes” y “una red de neuronas”. Por ejemplo, en Neural Cellular Automata, identificó reglas que permiten la autorreplicación y dinámicas similares a las de un ecosistema.
• Búsqueda abierta: El algoritmo reveló reglas de autómatas celulares que superan la expresividad del Juego de la vida de Conway. Estas simulaciones mostraron patrones dinámicos que mantuvieron la complejidad sin estabilizarse ni colapsar.
• Búsqueda de iluminación: ASAL mapeó diversos comportamientos en Lenia y Boids, identificando patrones nunca antes vistos, como dinámicas de bandadas exóticas y estructuras celulares autoorganizadas.

Los análisis cuantitativos aportaron más conocimientos. En las simulaciones de Particle Life, ASAL destacó cómo condiciones específicas, como un número crítico de partículas, eran necesarias para que surgieran fenómenos como “una oruga”. Esto se alinea con el principio de que “más es diferente” en la ciencia de la complejidad. Además, la capacidad de interpolar entre simulaciones arroja luz sobre la naturaleza caótica de los sustratos de ALife.

Conclusión

ASAL representa un avance significativo en la investigación de ALife, ya que aborda desafíos de larga data a través de soluciones sistemáticas y escalables. Al automatizar el descubrimiento y emplear métricas de evaluación alineadas con los humanos, ASAL ofrece una herramienta práctica para explorar comportamientos realistas emergentes.

Las direcciones futuras de ASAL incluyen aplicaciones más allá de ALife, como la física de bajo nivel o la investigación en ciencia de materiales. Dentro de ALife, la capacidad de ASAL para explorar mundos hipotéticos y mapear el espacio de posibles formas de vida puede conducir a avances en la comprensión de los orígenes de la vida y los mecanismos detrás de la complejidad.

En conclusión, ASAL permite a los científicos ir más allá del diseño manual y centrarse en cuestiones más amplias sobre el potencial de la vida. Proporciona un enfoque reflexivo y metódico para explorar “la vida tal como podría ser”, abriendo nuevas posibilidades de descubrimiento.

Verificar el papel y Página de GitHub. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. No olvides unirte a nuestro SubReddit de más de 60.000 ml.

🚨 Tendencias: LG AI Research lanza EXAONE 3.5: tres modelos bilingües de código abierto a nivel de inteligencia artificial de frontera que brindan un seguimiento de instrucciones inigualable y una amplia comprensión del contexto para el liderazgo global en la excelencia en inteligencia artificial generativa….

Asif Razzaq es el director ejecutivo de Marktechpost Media Inc.. Como empresario e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad del aprendizaje automático y las noticias sobre aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.