人工生命研究的新紀元！

「人工生命」(artificial life，或簡寫為ALife)，旨在模擬生命的行為、特性和演化過程，理解生命的本質，涉及涌現現象、自組織系統或形態發生機制。

人工生命（ALife）的研究中，蘊含著能夠推動和加速AI進步的重要啟發和靈感。

人工生命中兩類不同的Lenia系統，見下圖。

對實驗人員而言，擁有高效的實現當然非常關鍵。

而開源工具CAX將人工生命的模擬速度，提升了最多2000倍！

倫敦帝國理工學院的博士生、做過Sakana AI的實習生Maxence Faldor，在X上激動地發布CAX v0.2.0！

開源工具庫CAX：專為加速人工生命研究而設計

CAX支持離散系統和連續系統，包括神經細胞自動機(Neural Cellular Automata，NCA)，而且適用于任意維度。

不止于傳統的細胞自動機，它還能處理粒子系統等多種模型，所有功能都整合在一個直觀易用的統一API中。

X用戶JJ Walker星標推薦CAX，表示CAX將顛覆人工生命研究，更新后的版本既快又好用。

介紹CAX的論文，已經入選ICLR 2025 Oral。

論文鏈接：https://openreview.net/pdf?id=o2Igqm95SJ

項目鏈接：https://github.com/maxencefaldor/cax

更多人工生命的實例：

基于注意力機制的人工生命：神經細胞自動機

人工生命研究新紀元

如果你對涌現現象、自組織或形態發生機制感興趣，開源的CAX不容錯過。

CAX是基于JAX的高性能、靈活的軟件庫，專為加速細胞自動機研究而設計，包括離散細胞自動機，連續細胞自動機和神經細胞自動機。

圖1：CAX支持的多種細胞自動機

CAX提出了一種統一各類細胞自動機的框架。

這種靈活的架構由兩個核心模塊構成：感知模塊（perceive module）和更新模塊（update module）。

這兩個模塊共同定義了細胞自動機的局部規則。

圖2：CAX架構圖

從經典模型，比如基本細胞自動機和康威的生命游戲，到更高級的應用，比如可生長的神經細胞自動機和能自我分類的MNIST數字，CAX將模擬速度提升了最多2000倍。

圖3：CAX的性能基準測試

圖3左：CAX與CellPyLib在經典細胞自動機上的模擬速度對比。對于基本細胞自動機，CAX提升了1400倍的速度；對于康威生命游戲，提升了2000倍。

圖3右：CAX官方TensorFlow實現的神經細胞自動機實驗訓練速度對比。在自分類MNIST數字任務中，CAX實現了1.5倍的訓練加速。

幾行代碼，一窺上帝造物

為了展示CAX的靈活性，研究者展示了三個新穎的細胞自動機實驗。

得益于CAX的模塊化架構，每個實驗只用幾行代碼，就實現了。

實驗1：  擴散模型的啟發

研究團隊提出了一種新穎的神經細胞自動機（NCA）訓練方法，其靈感來源于擴散模型。

不同于傳統的基于生長（growth-based）的方法，新方法通過在固定步驟內訓練NCA去除圖像噪聲。

圖4：受到擴散模型的啟發，NCA學會在固定的步數內對圖像進行去噪

結果顯示，這種方法能帶來更穩定的動態表現。

當研究者引入人為破壞（例如切斷壁虎的尾巴）時，基于擴散的NCA展現出自發的再生能力，而傳統的生長型NCA則需要專門訓練才能實現類似效果。

圖5：與需要專門訓練才能實現再生和恢復能力的生長型NCA相比，基于擴散的NCA展現出自發的再生能力和更穩定的表現

實驗2：MNIST數字自編碼

在這次實驗中，研究者使用3D神經元胞自動機（3D NCA），并將一個面初始化一個MNIST手寫數字。

NCA的目標是學習一套規則，把這個MNIST數字復制到對面的那一面（紅色那面）。

不過，中間有一個掩膜（mask）區域，阻止細胞進行更新。

圖6：三維NCA以一個MNIST數字圖像作為初始輸入（左側）；經過學習后，NCA能夠在對面的紅色面上重建出該數字（右側）

關鍵是，遮罩中間留了一個僅有一格寬的孔洞，作為信息傳遞的最小通道。

為了成功地在對面復制出MNIST數字，NCA必須發展出一套能夠對MNIST數字進行編碼和解碼的規則。

圖7：上排展示的是測試集中原始的數字圖像，下排則是對應的重建結果，這些重建圖像出現在NCA的紅色面上

實驗3：超過GPT-4的推理能力

最后，在1D-ARC數據集上訓練一個一維NCA。

這個數據集是ARC數據集（Abstraction and Reasoning Corpus，抽象與推理語料庫）的簡化版本。

原版NCA：左圖可以看到展示任務特點的輸入/輸出對；中間是當前的測試輸入網格；右側則是用來構建對應輸出網格的控制選項

NCA需要通過不斷應用自身的規則，將輸入圖案逐步轉化為目標圖案。

以下是每個任務的時空圖。

每張圖像的頂行像素是輸入。隨后的像素行展示了NCA在嘗試將輸入轉換為目標時的中間步驟。底行像素代表了NCA的最終輸出。

令人驚訝的是，1D-ARC NCA在這個數據集上的表現超過了GPT-4！

在1D-ARC簡化數據集上，NCA準確率達60.12%，優于GPT-4的41.56%。

NCA在涉及移動、模式復制和去噪的任務中表現出色，展示了其在抽象推理任務中的潛力。

人工生命：細胞自動機

細胞自動機（cellular automaton），也叫元胞自動機，是一種簡單的計算模型，由規則排列的單元格\細胞（cells）組成，每個單元格處于某種特定狀態。

這種網格可以具有任意有限維度。

在每個單元格周圍，會根據一定規則定義「鄰域」（neighborhood），即與它相關聯的一組單元格。

在每一個離散的時間步驟中，整個網格會根據一條固定的規則進行更新。

這個規則會依據每個單元格當前的狀態以及其鄰域中單元格的狀態，來決定該單元格在下一時刻的狀態。

比如，數學家John Conway創建了一種特殊的細胞自動機——生命游戲。

在生命游戲中，每個細胞（單元格）或死或活，其中黑色方塊代表活細胞，白色方塊代表死細胞。

隨著模擬運行，細胞在死和活之間的切換規則如下：

1. 如果周圍活細胞少于兩個，任何活細胞則死亡。

2. 如果周圍活細胞超過三個，任何活細胞則死亡。

3. 如果周圍有兩個或三個活細胞，任何活細胞則保持不變，傳遞到下一代。

4. 如果周圍恰好有三個活細胞，任何死細胞則會復活。

利用CAX，可以同時模擬多個生命游戲。

其中每個游戲，都可以統計存活「鄰居」的數量和生長率。

加速原理：可控元胞自動機

元胞自動機與循環卷積神經網絡（Recurrent Convolutional Neural Networks，R-CNN）之間的緊密聯系，已經被許多研究者觀察到。

例如，Mordvintsev等人提出的通用NCA架構可被概念化為一種「帶有逐單元dropout的循環殘差卷積神經網絡」。

文章鏈接：https://distill.pub/2020/growing-ca/

可控元胞自動機（Controllable Cellular Automaton，CCA）是元胞自動機（CA）的擴展，具備在每個時間步接受外部輸入的能力。

可控元胞自動機形式化了 Sudhakaran 等人提出的目標引導神經元胞自動機（Goal-Guided NCA）概念。

論文鏈接：https://arxiv.org/abs/2205.06806

外部輸入可以修改 CCA 的行為，從而使其能夠在保持元胞自動機基本原理的同時，動態響應不斷變化的條件或控制信號。

CCA通過引入對外部輸入的響應機制擴展了傳統細胞自動機的能力，其原理類似于循環神經網絡處理序列數據。

可控元胞自動機架起了循環卷積神經網絡與元胞自動機之間的橋梁，開辟了模擬復雜系統的新可能性，這些系統既具備自主的涌現行為，又能響應外部控制。

CAX利用了元胞自動機與循環卷積神經網絡（R-CNN）之間已建立的緊密聯系。

這種協同作用，讓CAX能夠借助機器學習領域的最新進展，用于加速元胞自動機研究。

為什么選擇CAX？

CAX具有多重設計目標：為復雜系統研究提供1.高速、2.高質量、3.文檔完備且4.高度靈活的系統實現。

CAX絕非僅是對現有細胞自動機（CAs）的硬件加速實現，而是一個完整的框架體系。

其中目標4通過統一抽象層實現——該架構不僅整合了各類復雜系統，更支持快速擴展或從零構建新系統。

CAX確實提供特定的抽象框架。

雖然底層采用JAX實現高效卷積運算，但其抽象層級具有更廣泛的適用性。

特別值得一提的是，更新后v0.2.0版本新增了靈活日志工具，可在保持JAX加速模擬的同時集成測量功能——這能滿足并行計算需求。

CAX支持離散系統和連續系統，包括神經細胞自動機，且適用于任意維度。不僅涵蓋傳統的細胞自動機，它還能處理粒子系統等模型，并將這一切整合在一個統一、直觀的API中。

CAX提供了超過15種可直接使用的系統。

從模擬一維基本細胞自動機，到訓練三維自編碼神經細胞自動機，甚至是創建精美的Lenia模擬，CAX都能為探索自組織系統的豐富世界，提供多功能的平臺。

CAX構建于JAX/Flax生態系統之上，擁有極高的運行速度和可擴展性。

它支持在CPU、GPU和TPU等各種硬件加速器上進行向量化和并行化操作。

用戶可以幾乎不用修改代碼，就能將實驗從小規模原型擴展到大規模模擬。