新智元报道
编辑：KingHZ
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
人工生命研究新纪元
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。
几行代码，一窥上帝造物
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。
实验1： 扩散模型的启发
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
实验2：MNIST 数字自编码
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
实验3：超过 GPT-4 的推理能力
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。
人工生命：细胞自动机
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。
加速原理：可控元胞自动机
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。
为什么选择 CAX？
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。
参考资料：
https://x.com/maxencefaldor/status/1914180979968860444
https://x.com/maxencefaldor/status/1842211478796918945
