自动机实现目标导向的形态生成，AI在「生命游戏」里玩出反向规则

一块屏幕上出现了两个像素，它们律动、增殖，最终绽放为两只帝王蝶。随之而来的是它们相互的撞击，并以其中一方重伤而告终——它的翅膀宛如枯败的树叶。但就在它快要死去的时候，受伤的蝴蝶腾空后翻，像蝾螈修复断腿一般长出了新的翅膀。

Mordvintsev，谷歌研究院的一名研究科学家，并未特意去培育他的虚拟蝴蝶以再生身体，：这一切都是自发的。他表示，这可能是自己第一次意识到他找到了什么东西。他的项目立足于创建细胞自动机的传统之上，其中最著名的是 1970 年的生命游戏，the Game of Life。

相关链接：https://www.quantamagazine.org/maths-game-of-life-reveals-long-sought-repeating-patterns-20240118/

2020 年，Mordvintsev 通过创建神经网络细胞自动机（NCAs），将这一概念带入了深度学习时代。「我想要把这个过程反过来：给定你想要的形状，让系统自动寻找那套裸规则（simple rules），让成百上千块『砖块』自己组合成那个形状。」他说。

这样的砖块听起来几乎像魔法一样，但生物学中充满了类似的例子。一群乌鸦的聚集或蚂蚁群体的行为就像一个统一的整体，如果每个个体都遵循这个规则，那么就可以称之为集体行为。同样的，体内细胞也是互相作用为一个整体。NCAs 是这个过程的模型，只不过它们从集体行为开始，自动得出规则。

图示：Mordvintsev 与他创建的仅使用邻域间通信的复杂基于细胞的数字系统。

这种可能性可能是无限的。如果生物学家能够弄清楚 Mordvintsev 的蝴蝶如何如此巧妙地再生翅膀，也许医生可以诱导身体再生失去的肢体。在某些方面，NCA 可能在解决问题方面比神经网络更具有天生的优势。

有关生命的梦想

2014 年，Mordvintsev 入职谷歌研究院，当时基于多层或「深度」神经网络的新图像识别技术正在席卷科技行业。尽管这些系统功能强大，但它们（或许现在仍然如此）的难以理解让人有些不安。

所以，Mordvintsev 想出了「深度梦境」这一过程，它将神经网络在图像中识别出的任何模式进行夸张处理。并且他还改动了细胞状态改动机制，让其变得平滑，使其变得更加自然。

最后，他将自己的神经网络做得相当强大——8000 个参数。额外的参数意味着额外的能力，而这个数值意味着 Mordvintsev 创造的怪物达到了一个不可言说的层次。

接下来在 2020 年，介绍 NCA 的论文中包含了一个小程序，可以生成一只绿色壁虎的图像。它可以很快的修复鼠标划过后的擦除痕迹。

蝴蝶和蜥蜴图像并非真实的动物模拟；它们没有心脏、神经或肌肉。它们只是动物形状的彩色细胞图案。但相关研究人员表示，这些图案确实捕捉到了形态发生的关键方面，即生物细胞形成组织和身体的过程。细胞自动机中的每个细胞只对其邻居做出反应；它们不会在主蓝图的指导下就位。从广义上讲，活细胞也是如此。

Redundancy（冗余设计）也起了作用：如果训练网络时要求它对某些损坏部位特别敏感，比如眼睛部位，那么这个系统为了「保险起见」可能会长出多个「眼睛」或对应备份，以防一个坏掉。

不过，尽管 NCAs（自然选择和交叉）功能强大，但它们仍然不是生物学的一个完美模型。与机器学习不同，自然进化并没有朝着特定的目标发展，从 NCAs 中得到的经验可能无法顺理成章地适用于自然界。

生物学与工程

在再生丢失的身体部位时，NCAs 展现了一种解决问题的能力，Mordvintsev 认为它们可能成为通用计算的新模型。适当的条件下，细胞自动机与其他类型的计算机一样具有完全的通用性。

这些模型虽然并不是生物细胞，也没有心脏、没有肌肉，但却在某种意义上模仿了形态发生（morphogenesis）的特征：局部交互、邻居影响、自我修复、生成整体形状。

Michael Levin（塔夫茨大学的生物学家）对这个方向很感兴趣，因为它可能帮助我们理解为什么「从头开始」的形态发生规则在人类或动物胚胎中是如何工作的。比如为什么细胞能「识别」自己是手、脚、翅膀的部分，以及如何在损伤后再生。

在工程方面，这也暗示我们未来可能建造「分布式系统」（distributed systems）或机器人群体，它们不需要中央控制，也能协作完成任务。想象一群机器人，通过相邻单位所遵守的简单行动，就能组成复杂结构，倘若有缺陷就能完成自动修复——这不是科幻小说，是未来方向。

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