近日，DeepMind研究人员提出人工生命框架旨在促进智能生物出现。在这个框架中没有明确的代理概念，而是一个由原子元素组成的环境。这些元素包含神经操作，通过信息交换和环境中包含的类似物理规则进行交互。研究人员讨论了进化过程如何导致多种生物体的出现，这些生物体由许多可以在其环境中共存和繁衍的原子元素组成。此外，研究人员探索了这如何构成通用人工智能生成算法的基础，提出了此类系统的简化实施，并讨论了进一步扩大规模需要哪些改进。论文地址：https://arxiv.org/pdf/2101.07627.pdfDeepMind提出，新系统的真实世界是由基本粒子组成的，它们相互作用并形成更大的实体。DeepMind研究提出的环境（AI生成算法）由元素组成，但规模很大。每个元素都包含一个神经运算，例如矩阵乘法、外积或这些运算符的序列。这些元素通过某种形式的基本规则相互作用——一种物理学，以及神经状态的直接交流。该系统有多种实现方式。本文介绍了一个网格世界的实现，其中基本元素位于网格上，通过传播信号或注意机制进行通信，并与底层物理进行通信，从而实现能量和化学类交换。另一个例子是在3D空间中形成刚性部件的元素，这些部件可以通过包含神经操作的关节连接，这些神经操作通过与附近连接的部件交换信号并设置关节扭矩来交互。系统中可能有多种类型的元素，并不是所有的元素都需要内部有一个神经网络。在他们的论文中，研究人员展示了一个网格实现，强调了一些重要的属性，并探索了需要哪些改进才能使系统健壮。然而，这个系统的潜力是无限的，它支持这样的功能：由多个元素组成的更大的单元可以通过物理连接形成（例如机器人），或者简单地作为一组单元进行通信并形成一个整体。.这些单位的潜在规模没有限制。它们可以通过多种方式传播——通过接管环境中的其他元素来生长（群体），它们还可以通过组装新副本、四处移动适当的收集元素（例如，机器人通过组装碎片来复制自己）或自组装来进行复制，或者他们可以生成完全不同的单元来实现专用功能（有用的机器），或者比他们的前辈更好的单元。后者可能需要情报。智能的能力为什么本研究提出的计算系统能够表达通用智能？研究人员提出了两个论点：首先，任何已经在机器学习中的神经算法，或者未来可能创建的算法，都可以写成一系列操作序列，例如加法、矩阵乘法、外积和非线性操作和张量状态上的操作，例如由神经网络的前向、后向和优化器操作产生的操作。意识到这一点，AutoML-Zero直接搜索此类运算符的序列及其与运算状态的连接，并能够学习基本的神经算法。由于这些运算符是环境的基本构建块，可以通过任意连接进行通信，因此所有神经算法都可以在该系统中实现。代理假设在这个系统中，代理和环境之间没有区别，只有环境。元素本身可能会或可能不会形成进化单位，其传播将显示遗传但不是遗传的确切区域。在前一种情况下，它们可以自主移动、收集能量并繁殖，形成更大的聚集体或复制生物体，因为这样做有好处。虽然这项研究解决了后者，但它需要最少数量的更简单的合作单元来进行自我传播。SIM的网格版本和一般属性本文还介绍了自组织智能物质(SIM)的实例，讨论了它的各个方面，并提供了有关研究认为可以构成AI生成算法原因的更多信息。如上所述，没有内置的代理概念，实际上只有一个环境。通常，在两个不同的平台上实现系统是不自然的：一个用于物理部分，例如物理模拟器，另一个用于神经部分，例如TensorFlow、PyTorch或Jax等神经网络框架。该研究建议在单一平台上制作这样一个系统。生成智能行为需要高效运行神经网络，因此系统需要在后者平台上实现。之所以选择Jax进行这项研究，是因为它具有灵活性。Jax在张量上运行，研究使用张量来存储元素。这些元素需要相互作用并具有形成任意大小的灵活聚合体的能力。实验该研究运行上述系统，并在一系列运行中观察到令人兴奋的多样性，如图2所示。图2：运行结果。在上一行中，研究人员使用不同的颜色来代表3种不同的随机权重。从图2上排可以看出，在多个区域中，两种元素可以稳定共存，即在同一空间区域中存在不同颜色的点。而且这种情况持续了很长时间，表明他们已经找到了共存的方式。
