[论文解读] Self-Organizing Intelligent Matter: A blueprint for an AI generating algorithm

Karol Gregor, Frederic Besse|arXiv (Cornell University)|Jan 19, 2021

Origins and Evolution of Life参考文献 42被引用 5

一句话总结

本文提出了一种自组织人工生命框架，其中智能生物体从简单、配备神经网络的元素通过类物理规则和信息交换相互作用而涌现，无需预设目标——仅通过成功适应环境实现传播。该系统通过生态位构建实现了多种自维持物种的共存，表明其为通用人工智能生成算法提供了一种可扩展的蓝图。

ABSTRACT

We propose an artificial life framework aimed at facilitating the emergence of intelligent organisms. In this framework there is no explicit notion of an agent: instead there is an environment made of atomic elements. These elements contain neural operations and interact through exchanges of information and through physics-like rules contained in the environment. We discuss how an evolutionary process can lead to the emergence of different organisms made of many such atomic elements which can coexist and thrive in the environment. We discuss how this forms the basis of a general AI generating algorithm. We provide a simplified implementation of such system and discuss what advances need to be made to scale it up further.

研究动机与目标

• 开发一种通过进化过程自主运行的通用人工智能生成算法。
• 实现无需预设优化目标的多样化、共存智能生物体的开放-ended涌现。
• 探索神经元件自组织系统如何通过交互与环境适应演化出复杂行为。
• 识别支持持续多样性与智能涌现的核心原则，如传播优于选择、生态位构建等。

提出的方法

• 系统由包含神经网络的原子元件构成，这些元件在共享环境中通过信息交换和类物理规则相互作用。
• 元件的传播并非依赖全局目标，而是通过成功复制或将其内部状态（如权重）转移给其他元件来实现，从而实现生存与扩散。
• 进化通过突变和选择那些在环境中实现稳定传播的元件整体组合来实现。
• 环境支持动态变化，如能量或化学物质的扩散，从而支持生态位形成和多种物种的共存。
• 神经网络更新规则设计为通用且可进化，使元件能够随时间学习并改进自身行为。
• 框架采用简化实现（如能量网格、化学扩散）以模拟振荡和稳定共存等涌现行为。

实验结果

研究问题

• RQ1 在无预设目标的系统中，是否能仅通过成功元件组合的传播实现智能涌现？
• RQ2 在神经元件的自组织系统中，多样化且共存的生物体如何产生并持续存在？
• RQ3 何种环境与交互规则可实现稳定的生态位构建及多种物种的长期共存？
• RQ4 最简物理基底（如能量或化学梯度）是否能通过进化支持复杂智能行为的涌现？
• RQ5 何种神经更新规则是实现可扩展、开放-ended智能涌现的必要且充分条件？

主要发现

• 系统在共享环境中表现出多种物种的稳定共存，图2中不同颜色的点代表空间生态位中持久存在的不同物种。
• 在纯能量系统中，元件学会了被动收集能量，从而能将自身权重复制到其他元件上，实现传播，即使没有明确的生存规则。
• 在小规模系统中，快速化学扩散且无进化的情况下，出现了类似Lotka-Volterra模型的振荡种群动态，表明存在类似捕食者-猎物的周期性循环。
• 元件通过改变环境（如改变化学密度）来创建有利生态位，使多种物种能在空间的子区域中共存。
• 尽管无显式选择能量或生存机制，元件仍自发发展出能量收集行为，从而提升传播成功率。
• 该框架支持新‘身体’（功能性物理结构）与新‘大脑’（改进的算法）的涌现，表明具备递归自我改进的潜力。