人工生命自动搜索（ASAL）是由Sakana AI联合MIT、OpenAI等机构推出的系统，利用视觉语言基础模型自动化搜索人工生命，减轻手动设计和试错的负担。

1. 主要功能
ASAL的主要功能包括：

有监督目标搜索：找到能产生特定现象或事件序列的模拟。
开放式搜索：发现能持续产生新行为的模拟。
照明式搜索：识别展现多样行为的模拟。
2. 技术原理
ASAL的技术原理基于三种搜索机制：

视觉语言基础模型：利用预训练的模型来评估模拟产生的视频。
自动化搜索框架：通过视觉-语言FMs实现自动化搜索人工生命模拟。
优化算法：使用Sep-CMA-ES等优化算法来搜索目标模拟。
3. 应用场景
ASAL的应用场景包括：

人工生命研究：在多个经典ALife基质中进行有效验证，成功发现以前未见的生命形式。
科学探索：探索大型组合空间的基础模型，有望革新许多科学领域。
4. 使用方法
ASAL的使用涉及定义感兴趣的模拟集合（基质），然后通过三种不同的方法使用FMs来识别有趣的ALife模拟：

指定目标事件或序列的搜索：通过文本提示找到目标模拟。
时间上开放式新颖性的搜索：找到持续产生新行为的模拟。
多样化模拟的搜索：找到多样化且有趣的模拟。
5. 适用人群
ASAL适用于：

研究人员和科学家：在人工生命和相关领域进行研究的专业人员。
开发者：希望利用ASAL框架进行新应用开发的技术人员。
6. 优缺点介绍
优点：
自动化：减轻了人工生命领域长期以来依赖手动设计和试错的负担。
创新性：成功利用视觉-语言FMs实现自动化搜索人工生命模拟。
广泛适用：在多种ALife基质上有效工作，包括Boids、粒子生命、生命游戏、Lenia和神经细胞自动机。
缺点：
技术要求：可能需要一定的技术背景来理解和使用ASAL系统。
计算资源：运行基础模型可能需要较强的计算资源。
分类标签：人工生命、自动化搜索、视觉语言模型、科学研究