精选今天0 投票
人工实验者：用自生成强化学习发现并控制自组织现象
核心发现：一种名为 CARL 的 AI 智能体，通过闭环自生成强化学习，在连续元胞自动机 Lenia 中成功发现并操控了孤子（solitons），并能引导其穿越迷宫。这为 AI 自主探索复杂系统开辟了新路径。
传统上，科学家探索元胞自动机等复杂系统时，往往采用“开环”方式：设定初始条件，运行完整模拟，然后观察结果，过程中不进行任何干预。这种方式效率低下，且难以发现和操控涌现现象。
近日，一项发表于 ALIFE 2026 的研究（arXiv:2608.26116）提出了一种全新的“闭环”框架，基于自生成强化学习（Autotelic RL），让智能体自主设定多样化的目标，学习一种目标条件策略，通过最小、局部的扰动来干预复杂系统。研究者将此框架应用于 Lenia（一种能产生类生命自组织模式的连续元胞自动机），构建了名为 CARL 的智能体系统。
CARL 展现了三大能力：
- 高效发现孤子：在多种 Lenia 更新规则下，CARL 发现稳定孤子的比率显著高于启发式基线方法。
- 精准控制方向：CARL 学会了通过少量干预，改变已有孤子的运动方向，证明它不仅创造模式，还能控制模式。
- 人类实时引导：人类可以通过训练好的智能体，发出高层方向指令，由智能体转化为低层干预，实时引导孤子穿越迷宫环境。
更重要的是，CARL 在多样化的目标、更新规则和随机初始状态下训练后，获得的策略能够零样本泛化到各种分布外条件。
这项研究的核心创新在于将实验过程从“开环”变为“闭环”，让 AI 主动介入系统演化，而非被动观察。这类似于一个真正的人工实验者，能够自主或与人协作，在复杂系统中发现并控制涌现现象。
论文作者包括 Marko Cvjetko、Benedikt Hartl、Michael Levin、Clément Moulin-Frier 和 Pierre-Yves Oudeyer，共同展示了 AI 在复杂系统研究中的巨大潜力，为未来“人工实验科学家”的诞生奠定了基础。