人工生命与涌现探索
探讨借助极简规则与大模型涌现探索非统计型智能
0个信源参与该主题的先锋
全部段落
10月15日
10月10日
- Akarsh Kumar Tim Scarfe 的收尾修正是：进化“绝非随机”，选择会保留局部胜利，让部分指数级组合搜索转化为线性搜索。 在 Core War 中，尽管模型零样本生成 Redcode 的能力很弱，Akarsh Kumar 用 LLM 引导的进化循环仍击败了约 300个由人类编写的程序中的96%。这里真正的工程信号，是不完美的模型先验、客观验证和累积选择的组合，而不是 LLM 单独发挥作用。
- 人工生命把研究对象从地球上已观察到的生命，扩展到“生命可能是什么样”，在可能的物理、化学、生物和智能空间中进行搜索。 Kumar 认为，从单个样本无法推导一般原理，就像检查一辆汽车无法解释所有汽车。对投资者而言，关键期权在于：这是一个可计算的实验室，用来测试哪些规则系统能够产生持久性、自组织和开放式复杂性。
- Kumar 将今天的“统计智能”与一种基于路径依赖和规律的智能区分开来，后者的结构会记录自身的获得过程。 人类和进化是按序复杂化的，而模型可以在没有先学算术的情况下直接训练微积分；Kumar 承认，这种异质路径“可能就是更好”，但他怀疑，学习路径本身提供了异常强的正则化、鲁棒性和泛化能力。
- 当涌现、复杂性或有趣性等属性难以转化为清晰的数学目标时，基础模型可以作为人类判断的可扩展代理。 这套工作流有意接受不可约性：“直接模拟，看看会发生什么”，再让视觉语言模型判断结果，然后重新搜索。这样的宽泛语义目标也让优化更容易——“任意一只猫”比某一只像素级精确的猫更容易找到——并降低最终得到“被明确指定的东西”而非“真正想要的东西”的风险。
- 开放式行为似乎集中在规则空间的狭窄区域，而不是均匀分布在整个空间中。 Kumar 的团队在一项实验中运行并嵌入全部260,000条规则后，发现了一大片不具开放式特征的系统，以及一座规模小得多、包含最具吸引力模拟的“岛屿”。这个“金发姑娘区间”凸显了自动化发现的价值：稀缺的并不只是算力，而是正确的人工物理。
- 这些模拟反复展示出：全局组织可以从极简的局部交互中涌现，包括利用人工物理维持自身的类细胞结构。 Game of Life 只需要二元细胞和少数邻域规则；Boids 将局部转向变成群体飞行；Particle Life 则在6种粒子之间使用一个6×6的交互矩阵，并能生成带有类膜涂层和分化内部结构的移动物体。