新智元报道
新智元报道
【新智元导读】人工生命的革命来临！帝国理工的研究人员，开源了名为CAX的硬件加速工具。只需几行代码，就能复刻人工生命实验，模拟速度可提升2000倍，部分表现甚至超过了GPT-4！
人工生命研究的新纪元！
「人工生命」(artificial life，或简写为ALife)，旨在模拟生命的行为、特性和演化过程，理解生命的本质，涉及涌现现象、自组织系统或形态发生机制。
人工生命（ALife）的研究中，蕴含着能够推动和加速AI进步的重要启发和灵感。
人工生命中两类不同的Lenia系统，见下图。
 |
 |
对实验人员而言，拥有高效的实现当然非常关键。
而开源工具CAX将人工生命的模拟速度，提升了最多2000倍！
伦敦帝国理工学院的博士生、做过Sakana AI的实习生Maxence Faldor，在X上激动地发布CAX v0.2.0！
开源工具库CAX：专为加速人工生命研究而设计
CAX支持离散系统和连续系统，包括神经细胞自动机(Neural Cellular Automata，NCA)，而且适用于任意维度。
不止于传统的细胞自动机，它还能处理粒子系统等多种模型，所有功能都整合在一个直观易用的统一API中。
X用户JJ Walker星标推荐CAX，表示CAX将颠覆人工生命研究，更新后的版本既快又好用。
介绍CAX的论文，已经入选ICLR 2025 Oral。
论文链接：https://openreview.net/pdf?id=o2Igqm95SJ
项目链接：https://github.com/maxencefaldor/cax
更多人工生命的实例：
 |
 |
基于注意力机制的人工生命：神经细胞自动机
如果你对涌现现象、自组织或形态发生机制感兴趣，开源的CAX不容错过。
CAX是基于JAX的高性能、灵活的软件库，专为加速细胞自动机研究而设计，包括离散细胞自动机，连续细胞自动机和神经细胞自动机。
图1：CAX支持的多种细胞自动机
CAX提出了一种统一各类细胞自动机的框架。
这种灵活的架构由两个核心模块构成：感知模块（perceive module）和更新模块（update module）。
这两个模块共同定义了细胞自动机的局部规则。
图2：CAX架构图
从经典模型，比如基本细胞自动机和康威的生命游戏，到更高级的应用，比如可生长的神经细胞自动机和能自我分类的MNIST数字，CAX将模拟速度提升了最多2000倍。
图3：CAX的性能基准测试
图3左：CAX与CellPyLib在经典细胞自动机上的模拟速度对比。对于基本细胞自动机，CAX提升了1400倍的速度；对于康威生命游戏，提升了2000倍。
图3右：CAX官方TensorFlow实现的神经细胞自动机实验训练速度对比。在自分类MNIST数字任务中，CAX实现了1.5倍的训练加速。
为了展示CAX的灵活性，研究者展示了三个新颖的细胞自动机实验。
得益于CAX的模块化架构，每个实验只用几行代码，就实现了。
研究团队提出了一种新颖的神经细胞自动机（NCA）训练方法，其灵感来源于扩散模型。
不同于传统的基于生长（growth-based）的方法，新方法通过在固定步骤内训练NCA去除图像噪声。
图4：受到扩散模型的启发，NCA学会在固定的步数内对图像进行去噪
结果显示，这种方法能带来更稳定的动态表现。
当研究者引入人为破坏（例如切断壁虎的尾巴）时，基于扩散的NCA展现出自发的再生能力，而传统的生长型NCA则需要专门训练才能实现类似效果。
图5：与需要专门训练才能实现再生和恢复能力的生长型NCA相比，基于扩散的NCA展现出自发的再生能力和更稳定的表现
在这次实验中，研究者使用3D神经元胞自动机（3D NCA），并将一个面初始化一个MNIST手写数字。
NCA的目标是学习一套规则，把这个MNIST数字复制到对面的那一面（红色那面）。
不过，中间有一个掩膜（mask）区域，阻止细胞进行更新。
图6：三维NCA以一个MNIST数字图像作为初始输入（左侧）；经过学习后，NCA能够在对面的红色面上重建出该数字（右侧）
关键是，遮罩中间留了一个仅有一格宽的孔洞，作为信息传递的最小通道。
为了成功地在对面复制出MNIST数字，NCA必须发展出一套能够对MNIST数字进行编码和解码的规则。
图7：上排展示的是测试集中原始的数字图像，下排则是对应的重建结果，这些重建图像出现在NCA的红色面上
最后，在1D-ARC数据集上训练一个一维NCA。
这个数据集是ARC数据集（Abstraction and Reasoning Corpus，抽象与推理语料库）的简化版本。
原版NCA：左图可以看到展示任务特点的输入/输出对；中间是当前的测试输入网格；右侧则是用来构建对应输出网格的控制选项
NCA需要通过不断应用自身的规则，将输入图案逐步转化为目标图案。
以下是每个任务的时空图。
每张图像的顶行像素是输入。随后的像素行展示了NCA在尝试将输入转换为目标时的中间步骤。底行像素代表了NCA的最终输出。
令人惊讶的是，1D-ARC NCA在这个数据集上的表现超过了GPT-4！
在1D-ARC简化数据集上，NCA准确率达60.12%，优于GPT-4的41.56%。
NCA在涉及移动、模式复制和去噪的任务中表现出色，展示了其在抽象推理任务中的潜力。
细胞自动机（cellular automaton），也叫元胞自动机，是一种简单的计算模型，由规则排列的单元格\细胞（cells）组成，每个单元格处于某种特定状态。
这种网格可以具有任意有限维度。
在每个单元格周围，会根据一定规则定义「邻域」（neighborhood），即与它相关联的一组单元格。
在每一个离散的时间步骤中，整个网格会根据一条固定的规则进行更新。
这个规则会依据每个单元格当前的状态以及其邻域中单元格的状态，来决定该单元格在下一时刻的状态。
比如，数学家John Conway创建了一种特殊的细胞自动机——生命游戏。
在生命游戏中，每个细胞（单元格）或死或活，其中黑色方块代表活细胞，白色方块代表死细胞。
随着模拟运行，细胞在死和活之间的切换规则如下：
1. 如果周围活细胞少于两个，任何活细胞则死亡。
2. 如果周围活细胞超过三个，任何活细胞则死亡。
3. 如果周围有两个或三个活细胞，任何活细胞则保持不变，传递到下一代。
4. 如果周围恰好有三个活细胞，任何死细胞则会复活。
利用CAX，可以同时模拟多个生命游戏。
其中每个游戏，都可以统计存活「邻居」的数量和生长率。
元胞自动机与循环卷积神经网络（Recurrent Convolutional Neural Networks，R-CNN）之间的紧密联系，已经被许多研究者观察到。
例如，Mordvintsev等人提出的通用NCA架构可被概念化为一种「带有逐单元dropout的循环残差卷积神经网络」。
文章链接：https://distill.pub/2020/growing-ca/
可控元胞自动机（Controllable Cellular Automaton，CCA）是元胞自动机（CA）的扩展，具备在每个时间步接受外部输入的能力。
可控元胞自动机形式化了 Sudhakaran 等人提出的目标引导神经元胞自动机（Goal-Guided NCA）概念。
论文链接：https://arxiv.org/abs/2205.06806
外部输入可以修改 CCA 的行为，从而使其能够在保持元胞自动机基本原理的同时，动态响应不断变化的条件或控制信号。
CCA通过引入对外部输入的响应机制扩展了传统细胞自动机的能力，其原理类似于循环神经网络处理序列数据。
可控元胞自动机架起了循环卷积神经网络与元胞自动机之间的桥梁，开辟了模拟复杂系统的新可能性，这些系统既具备自主的涌现行为，又能响应外部控制。
CAX利用了元胞自动机与循环卷积神经网络（R-CNN）之间已建立的紧密联系。
这种协同作用，让CAX能够借助机器学习领域的最新进展，用于加速元胞自动机研究。
CAX具有多重设计目标：为复杂系统研究提供1.高速、2.高质量、3.文档完备且4.高度灵活的系统实现。
CAX绝非仅是对现有细胞自动机（CAs）的硬件加速实现，而是一个完整的框架体系。
其中目标4通过统一抽象层实现——该架构不仅整合了各类复杂系统，更支持快速扩展或从零构建新系统。
CAX确实提供特定的抽象框架。
虽然底层采用JAX实现高效卷积运算，但其抽象层级具有更广泛的适用性。
特别值得一提的是，更新后v0.2.0版本新增了灵活日志工具，可在保持JAX加速模拟的同时集成测量功能——这能满足并行计算需求。
CAX支持离散系统和连续系统，包括神经细胞自动机，且适用于任意维度。不仅涵盖传统的细胞自动机，它还能处理粒子系统等模型，并将这一切整合在一个统一、直观的API中。
CAX提供了超过15种可直接使用的系统。
从模拟一维基本细胞自动机，到训练三维自编码神经细胞自动机，甚至是创建精美的Lenia模拟，CAX都能为探索自组织系统的丰富世界，提供多功能的平台。
CAX构建于JAX/Flax生态系统之上，拥有极高的运行速度和可扩展性。
它支持在CPU、GPU和TPU等各种硬件加速器上进行向量化和并行化操作。
用户可以几乎不用修改代码，就能将实验从小规模原型扩展到大规模模拟。
（文：新智元）