01 人工生命最大の未解決問題：「オープンエンドな進化（OEE）」とは何か？

地球上の生命進化は、今から約40億年前に単一の原始細胞から始まり、光合成細菌、真核細胞、カンブリア爆発の多様な動物群、陸上植物、恐竜、哺乳類、そして言語と科学技術を持つ人類へと、「単一の目的関数に収束して終わることなく、新しい構造・新しい機能・新しい生態学的ニッチを果てしなく生み出し続けるプロセス」です。これを人工生命研究では「オープンエンドな進化（Open-Ended Evolution: OEE）」と呼びます。

1990年代の Tierra や Avida、2000年代の Polyworld や Geb といったデジタル進化システムは、初期にこそ寄生体や捕食者の創発を見せましたが、一定の世代数が経過すると必ず進化がプラトー（停滞）に達してしまうという共通の壁に直面していました。なぜ従来の進化的計算は途中で飽和してしまうのか？ その理由は大きく2つありました。

  • 1. ランダム突然変異の非効率性: プログラムやパラメータが複雑になるほど、1ビットのランダム変異は99.99%の確率で個体を破壊するだけのノイズとなり、意味のある大きな飛躍（イノベーション）を起こせなくなる。
  • 2. 環境と評価基準の固定化: 人間が手書きした狭い物理空間や単調な適応度・新奇性指標（ユークリッド距離など）では、すぐに「その環境での局所解」が掘り尽くされてしまう。
2022〜2024年、人類が蓄積したあらゆるコード・言語・視覚概念を学習した大規模言語モデル（LLM）と視覚言語モデル（VLM）を、進化システムの「知的な突然変異オペレータ」「無限の環境生成器」「人間並みの審美眼を持つ観測器」として組み込むことで、OEEの停滞を打破するブレイクスルーが相次いで生まれました。

02 基盤モデル × ALife の3大アプローチ

1. VLMを「意味空間の望遠鏡」にする：ASAL (Sakana AI / MIT, 2024)

Akarsh Kumar, Kenneth Stanley, Phillip Isola, David Ha らが発表した ASAL (Automating the Search for Artificial Life) は、CLIP や DINOv2 といった視覚言語基盤モデルの埋め込み空間を「人工生命の評価空間」として用いました。

・教師ありターゲット探索: 自然言語プロンプト（"a cell dividing into two" 等）とのコサイン類似度を最大化
・オープンエンド性探索: 時間発展 $t=1 \dots T$ において過去の自分自身の全フレームから意味的に最も遠い新しい視覚パターンを生み出し続けるルール $\theta$ を探索
・基質空間イルミネーション: Lenia・Boids・Life-like CA の広大な空間から、意味的に最も多様な生命図鑑を自動構築

これにより、人間が目視で何年もかけて探していた未知のソリトンや、コンウェイのライフゲーム以上にオープンエンドな時間発展を続けるセルオートマトン規則が全自動で発見されるようになりました。

2. LLMを「コード突然変異器・環境生成器」にする：ELM / OMNI / Voyager

Joel Lehman と Kenneth Stanley らが提唱した ELM (Evolution through Large Models, 2022) は、ランダムなビット反転の代わりに「コードを学習したLLMにプログラム（遺伝子）の差分修正を行わせる知的突然変異オペレータ」を導入しました。MAP-Elites（Quality-Diversity アルゴリズム）と組み合わせることで、何もない状態から多様な歩行ロボットの形態・制御プログラムを数千種も進化させることに成功しました。

さらに Jeff Clune らの OMNI (Open-endedness via Models of human Notions of Interestingness, 2023) や Voyager (2023) では、エージェントが単に「まだ見たことがない状態（ランダムノイズの壁など）」を探索して立ち往生する問題（Noisy-TV Problem）を解決するため、LLMに「この新しい課題は人間や文明の進歩にとって本当に『面白い（Interesting / 学習価値がある）』か？」を判定させ、意味のあるオープンエンドなカリキュラム進化を実現しています。

3. マルチLLMエージェントによる「人工社会（Artificial Societies）」の創発

1990年代にJoshua EpsteinとRobert Axtellが『Growing Artificial Societies（Sugarscape）』で提唱した「人工社会」も、LLMによって劇的な進化を遂げました。スタンフォード大学の Generative Agents (Park et al., 2023) や、Altera.ALによる1,000体規模のMinecraft人工文明実験 Project Sid (2024) では、記憶・反省（Reflection）・計画能力を持つ多数のLLMエージェントを単一ワールドに配置するだけで、人間が指示していないにもかかわらず、「通貨経済と市場の形成」「独自の法律と民主的投票による憲法改正」「宗教や文化的ミームの伝播」「職業の専門分化」といったマクロ社会現象がボトムアップに創発することが実証されています。

03 人工生命と基盤モデルの双方向的未来：AIに「生命の適応性」を与える

現在、「基盤モデルを使って人工生命を探す（AI for ALife）」だけでなく、逆に「人工生命の原理を使って次世代の基盤モデルを創る（ALife for AI）」という逆方向の潮流も急速に強まっています。

  1. 自己組織化・進化的モデルマージ（Evolutionary Model Merging）: Sakana AI などが実証したように、異なる専門能力を持つ複数のオープンソースLLMを「親個体」と見なし、進化的アルゴリズムでパラメータ層を交配（クロスオーバー）させることで、莫大な再学習コストをかけずに新しい能力を持つ子孫モデルを創発させる手法。
  2. 集合知とモジュール型生命アーキテクチャ: 1つの巨大なモノリシックモデルを際限なく肥大化させるのではなく、小さな専門モデル群やNCAのような局所セル群が生体電気ネットワークのように協調・競争しながら全体の推論を行う「生態系としてのAI」への転換。

04 関連論文・原典リンク一覧

← 前の研究潮流 (DOMAIN 03) HYBRID BIOBOTS: Xenobots と Anthrobots の衝撃 4大潮流セクションへ戻る → 人工生命研究の4大潮流：境界の融解と共進化