摘要

人工生命領域研究生命現(xiàn)象（如代理性和自我調(diào)節(jié)）如何在計算機模擬中自組織。在元胞自動機（CA）中，一個關鍵的開放問題是：能否找到環(huán)境規(guī)則，從一個本不存在“身體”、“大腦”、“感知”或“行動”等事物的初始狀態(tài)中，自組織出穩(wěn)健的“個體”。在此，本研究利用機器學習的最新進展，結合多樣性搜索、課程學習和梯度下降算法，以實現(xiàn)對此類“個體”的自動化搜索。研究證明，這種方法能夠系統(tǒng)地找到CA中導致基本代理形式自組織的環(huán)境條件，即一些局域化結構：它們能夠移動，以連貫且高度穩(wěn)健的方式對外部障礙做出反應，維持其完整性，并具有強大的能力以泛化到新環(huán)境。這種方法為人工智能和合成生物工程開辟新的視角。

關鍵詞：感覺運動代理性（Sensorimotor Agency），連續(xù)元胞自動機 Lenia（Continuous Cellular Automata Lenia），內(nèi)在動機目標探索過程（Intrinsically Motivated Goal Exploration Process, IMGEP），自組織（Self-Organization）

王璇丨作者

趙思怡丨審校

論文題目：Discovering sensorimotor agency in cellular automata using diversity search 論文鏈接：https://www.science.org/doi/epdf/10.1126/sciadv.adp0834 發(fā)表時間：2025年10月31日 論文來源：Science Advances

核心突破：當AI成為“人工生命”的發(fā)現(xiàn)者

理解生命與智能如何從簡單的物理規(guī)則中涌現(xiàn)，是科學的終極難題之一。生物學中，生物體由遵循底層規(guī)則的細胞構成，卻能形成一個具有個體性和自維持能力的整體，即“自創(chuàng)生系統(tǒng)”。傳統(tǒng)機械論方法預設了智能體的身體與傳感器，這與生命自下而上的涌現(xiàn)本質(zhì)相悖。而“生成論”雖強調(diào)從局部交互中自組織出智能體，卻長期受困于搜索效率低下和所得結構脆弱兩大瓶頸。

計算模型是研究此問題的利器。在代謝尺度，元胞自動機（Cellular Automata）被視為定義生命功能的最小模型；在認知尺度，強化學習框架則用于理解具有預設身體的智能體行為。然而，一個更根本的挑戰(zhàn)懸而未決：能否在一個最初連“身體”都不存在的虛擬基質(zhì)中，直接讓具有感覺運動能力的agent“無中生有”？

該研究遵循生成論框架，選用連續(xù)元胞自動機Lenia作為“人工宇宙”，并引入IMGEP的AI搜索方法。該方法融合多樣性搜索、課程學習和梯度下降，成功自動化地發(fā)現(xiàn)了能讓穩(wěn)健、能適應、可泛化的感覺運動智能體自組織涌現(xiàn)的環(huán)境規(guī)則。

圖 1. 科學問題概述。A. 生成論框架（enactivist framework）; B. 在諸如“生命游戲（Game of Life）”及更復雜的連續(xù)擴展模型“Lenia”等 CA 中，研究已證實系統(tǒng)可自組織形成所謂的“滑翔機（gliders）”，即具有定向運動能力的空間局域化模式。

模型系統(tǒng)：Lenia——更貼近生命的連續(xù) CA

要實現(xiàn)“無預設自組織agent”的目標，需靈活且支持復雜自組織的模擬環(huán)境，研究團隊選用Lenia正是因其特性與這一需求高度契合。它不僅是康威“生命游戲”（Game of Life）的連續(xù)擴展，也是人工生命領域代表性的連續(xù) CA 模型。這種連續(xù)性讓Lenia能支持更豐富的生命行為，其內(nèi)部可自組織出有空間局域性、定向運動能力的“孤子（soliton）”結構，部分結構還能依與其他模式的交互改變方向，解決了無預設自組織研究中難以驗證agent功能的關鍵痛點。

此外，為精準控制擾動、測試agent穩(wěn)健性，研究團隊進一步采用Lenia的“多通道版本”：系統(tǒng)分兩個核心通道?！肮潭ㄍǖ溃╢ixed channel）”由人工設計，生成穩(wěn)定可控的障礙，障礙規(guī)則預設，確保擾動可重復，“可學習通道（learnable channel）”的物理規(guī)則可優(yōu)化，也是感覺運動agent自組織的土壤。既解決傳統(tǒng)元胞自動機“擾動難控制”的問題，又明確“搜索agent自組織環(huán)境規(guī)則”的目標，讓該通道自組織出“會移動、抗障礙擾動、維持自身完整性”的感覺運動agent。

圖 2. 系統(tǒng)概述。頂部：展示了一次實驗推演的過程。底部：含障礙的 Lenia 模型中單個步驟的詳細視圖。

方法引擎：

IMGEP——好奇心驅(qū)動的自動化發(fā)現(xiàn)

在Lenia的高維、混沌參數(shù)空間中，尋找能自組織智能體的規(guī)則如同大海撈針。研究團隊的核心創(chuàng)新在于將“好奇心”機制化，打造了一個AI發(fā)現(xiàn)助手：IMGEP。

該過程首先為系統(tǒng)設定一個簡單的行為目標，然后利用梯度下降優(yōu)化Lenia的底層規(guī)則和初始狀態(tài)以實現(xiàn)該目標。關鍵在于，IMGEP會自動、持續(xù)地生成由易到難的新目標，并優(yōu)先探索那些能產(chǎn)生新行為結果的規(guī)則區(qū)域（多樣性搜索）。

這種“目標導向的好奇搜索”推動系統(tǒng)在參數(shù)空間中高效導航，逐步演化出能移動、能抗干擾、最終能在復雜障礙場中穩(wěn)健導航的智能體。與隨機搜索相比，IMGEP發(fā)現(xiàn)可用規(guī)則的效率高出一個數(shù)量級以上。

智能體驗證：從個體韌性到群體交互

經(jīng)IMGEP發(fā)現(xiàn)的agent在定量測試中展現(xiàn)出多維度、類生命的綜合能力。

首先，能夠自組織成空間局域化的“孤子”結構，在保持形態(tài)完整的同時實現(xiàn)穩(wěn)定的定向運動，進而在包含隨機障礙的測試中，表現(xiàn)出極高的環(huán)境適應性，高水平agent的平均存活率超過95%。其次，面對訓練中未出現(xiàn)過的更密集障礙、異步更新、狀態(tài)噪聲、尺度縮放乃至初始化擾動，多數(shù)agent依然展現(xiàn)出色的泛化魯棒性。更引人注目的是，當多個同源agent被置于同一環(huán)境中時，系統(tǒng)會自發(fā)涌現(xiàn)出個體性維持、相互吸引乃至碰撞“繁殖”等復雜的群體交互模式，為研究原始社會行為的起源提供了可計算、可觀測的理想模型。

圖 3. 已發(fā)現(xiàn)感覺運動agent泛化能力的定性測試。A. 自由繪制的障礙；B. 自由繪制的初始狀態(tài)；C-E. 在網(wǎng)格中引入其他agent；F. 引入額外的低層級元素, 這類元素對感覺運動agent具有 “吸引” 作用；G. 自定義質(zhì)量移除。

結論與展望：連接虛擬與生命，啟發(fā)AI未來

這項研究在“機械論”與“生成論”之間架起了一座橋梁。在完全由底層規(guī)則驅(qū)動的生成論系統(tǒng)中，涌現(xiàn)出了堪比具身智能體的高級感覺運動功能。從康威 “生命游戲” 的簡單滑翔機，到 Lenia 中能避障、會修復、可交互的感覺運動agent，人工生命領域的研究正在一步步逼近 “重現(xiàn)生命本質(zhì)” 的目標。這項研究不僅通過 AI 技術解決了傳統(tǒng)人工生命研究的 “低效” 與 “不穩(wěn)健” 痛點，更讓我們看到生命的核心特征：代理性、自組織、穩(wěn)健性。并非依賴復雜的預設結構，而是可以從簡單的局部規(guī)則中涌現(xiàn)。而這一切的起點，正是在 CA 中，那些從無到有、穩(wěn)健生長的感覺運動agent。

《一種新科學》讀書會

《一種新科學》作為Stephen Wolfram的開創(chuàng)性著作，在人工智能蓬勃發(fā)展的今天重新煥發(fā)生機。該書探討的簡單程序生成復雜性、計算普遍性和涌現(xiàn)行為等核心概念，與現(xiàn)代AI和大語言模型的基本原理高度吻合。最近社區(qū)成員韓司陽等老師積極推動《A New Kind of Science》在國內(nèi)的翻譯出版工作，所以集智俱樂部聯(lián)合社區(qū)成員韓司陽、章彥博、徐恩嶠、張江一起聯(lián)合發(fā)起關于，從9月1日起，每周日上午10:00-12:00開始系列的討論，歡迎大家加入讀書會，做讀書會分享或者認領翻譯任務。

本次讀書會主要是為了聚集更多對這本書和這套理論感興趣的探索者一起深度交流碰撞，并組織有能力的研究者一同將這本20年的經(jīng)典巨作翻譯成中文版；同時也是想借此機會，能夠深入重讀經(jīng)典《A New Kind of Science》，挖掘與當前人工智能和大模型研究有著深刻聯(lián)系，學習Wolfram的跨學科方法和對自然界模式的研究，為AI算法優(yōu)化和系統(tǒng)設計提供了新視角。幫助更多的學術研究者和技術應用者從更廣闊的科學哲學角度審視AI技術，深化對AI本質(zhì)的理解，并可能激發(fā)解決當前AI挑戰(zhàn)的創(chuàng)新思路，為探索AI的未來發(fā)展方向提供啟示。

詳情請見：

1.

2.

3.

4.

5.

6.

7.

8.

7.