自動機實現目標導向的形態生成，AI在「生命游戲」里玩出反向規則

一塊屏幕上出現了兩個像素，它們律動、增殖，最終綻放為兩只帝王蝶。隨之而來的是它們相互的撞擊，并以其中一方重傷而告終——它的翅膀宛如枯敗的樹葉。但就在它快要死去的時候，受傷的蝴蝶騰空后翻，像蠑螈修復斷腿一般長出了新的翅膀。

Mordvintsev，谷歌研究院的一名研究科學家，并未特意去培育他的虛擬蝴蝶以再生身體，：這一切都是自發的。他表示，這可能是自己第一次意識到他找到了什么東西。他的項目立足于創建細胞自動機的傳統之上，其中最著名的是 1970 年的生命游戲，the Game of Life。

相關鏈接：https://www.quantamagazine.org/maths-game-of-life-reveals-long-sought-repeating-patterns-20240118/

2020 年，Mordvintsev 通過創建神經網絡細胞自動機（NCAs），將這一概念帶入了深度學習時代?！肝蚁胍堰@個過程反過來：給定你想要的形狀，讓系統自動尋找那套裸規則（simple rules），讓成百上千塊『磚塊』自己組合成那個形狀?！顾f。

這樣的磚塊聽起來幾乎像魔法一樣，但生物學中充滿了類似的例子。一群烏鴉的聚集或螞蟻群體的行為就像一個統一的整體，如果每個個體都遵循這個規則，那么就可以稱之為集體行為。同樣的，體內細胞也是互相作用為一個整體。NCAs 是這個過程的模型，只不過它們從集體行為開始，自動得出規則。

圖示：Mordvintsev 與他創建的僅使用鄰域間通信的復雜基于細胞的數字系統。

這種可能性可能是無限的。如果生物學家能夠弄清楚 Mordvintsev 的蝴蝶如何如此巧妙地再生翅膀，也許醫生可以誘導身體再生失去的肢體。在某些方面，NCA 可能在解決問題方面比神經網絡更具有天生的優勢。

有關生命的夢想

2014 年，Mordvintsev 入職谷歌研究院，當時基于多層或「深度」神經網絡的新圖像識別技術正在席卷科技行業。盡管這些系統功能強大，但它們（或許現在仍然如此）的難以理解讓人有些不安。

所以，Mordvintsev 想出了「深度夢境」這一過程，它將神經網絡在圖像中識別出的任何模式進行夸張處理。并且他還改動了細胞狀態改動機制，讓其變得平滑，使其變得更加自然。

最后，他將自己的神經網絡做得相當強大——8000 個參數。額外的參數意味著額外的能力，而這個數值意味著 Mordvintsev 創造的怪物達到了一個不可言說的層次。

接下來在 2020 年，介紹 NCA 的論文中包含了一個小程序，可以生成一只綠色壁虎的圖像。它可以很快的修復鼠標劃過后的擦除痕跡。

蝴蝶和蜥蜴圖像并非真實的動物模擬；它們沒有心臟、神經或肌肉。它們只是動物形狀的彩色細胞圖案。但相關研究人員表示，這些圖案確實捕捉到了形態發生的關鍵方面，即生物細胞形成組織和身體的過程。細胞自動機中的每個細胞只對其鄰居做出反應；它們不會在主藍圖的指導下就位。從廣義上講，活細胞也是如此。

Redundancy（冗余設計）也起了作用：如果訓練網絡時要求它對某些損壞部位特別敏感，比如眼睛部位，那么這個系統為了「保險起見」可能會長出多個「眼睛」或對應備份，以防一個壞掉。

不過，盡管 NCAs（自然選擇和交叉）功能強大，但它們仍然不是生物學的一個完美模型。與機器學習不同，自然進化并沒有朝著特定的目標發展，從 NCAs 中得到的經驗可能無法順理成章地適用于自然界。

生物學與工程

在再生丟失的身體部位時，NCAs 展現了一種解決問題的能力，Mordvintsev 認為它們可能成為通用計算的新模型。適當的條件下，細胞自動機與其他類型的計算機一樣具有完全的通用性。

這些模型雖然并不是生物細胞，也沒有心臟、沒有肌肉，但卻在某種意義上模仿了形態發生（morphogenesis）的特征：局部交互、鄰居影響、自我修復、生成整體形狀。

Michael Levin（塔夫茨大學的生物學家）對這個方向很感興趣，因為它可能幫助我們理解為什么「從頭開始」的形態發生規則在人類或動物胚胎中是如何工作的。比如為什么細胞能「識別」自己是手、腳、翅膀的部分，以及如何在損傷后再生。

在工程方面，這也暗示我們未來可能建造「分布式系統」（distributed systems）或機器人群體，它們不需要中央控制，也能協作完成任務。想象一群機器人，通過相鄰單位所遵守的簡單行動，就能組成復雜結構，倘若有缺陷就能完成自動修復——這不是科幻小說，是未來方向。

原文鏈接：https://www.quantamagazine.org/self-assembly-gets-automated-in-reverse-of-game-of-life-20250910/