🤖 AI

In Search of the Ingredients of Open-Endedness: Replicating Picbreeder with Large Vision-Language Models

Questo articolo indaga se i grandi modelli visione-linguaggio possano replicare la scoperta creativa e aperta osservata negli esperimenti Picbreeder guidati dall'uomo, rilevando che, sebbene i VLM producano output distinti, è necessario incorporare meccanismi come rumore esplorativo, diversità comportamentale e memoria per comprendere meglio e potenzialmente colmare il divario nella capacità generativa.

Autori originali: Sam Earle, Kay Arulkumaran, Andrew Dai, Akarsh Kumar, Julian Togelius, Sebastian Risi

Pubblicato 2026-05-26

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Sam Earle, Kay Arulkumaran, Andrew Dai, Akarsh Kumar, Julian Togelius, Sebastian Risi

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina una galleria d'arte digitale chiamata Picbreeder. Da anni, esseri umani reali visitano questa galleria per giocare a un gioco di "arte evolutiva". Iniziano con un ammasso casuale e sfocato di pixel. Scegliono quello che preferiscono, chiedono al computer di apportare lievi modifiche casuali (come una mutazione genetica) e poi scelgono la nuova versione migliore. Ripetono questo processo all'infinito, creando un albero genealogico di immagini. Col tempo, gli esseri umani hanno scoperto di poter evolvere questi ammassi in oggetti riconoscibili come auto, volti o funghi, spesso imbattendosi in queste forme per caso piuttosto che pianificandole.

La grande domanda che questo articolo pone è: Un'intelligenza artificiale può farlo da sola?

I ricercatori hanno sostituito i giocatori umani con Modelli Vision-Language di grandi dimensioni (VLM) – intelligenze artificiali super-intelligenti in grado di vedere immagini e comprendere il linguaggio. Volevano vedere se queste AI potevano replicare la capacità umana di scoprire "apertamente" cose nuove e interessanti senza un obiettivo specifico in mente.

Ecco cosa hanno scoperto, spiegato attraverso semplici analogie:

1. L'Impostazione: La Classe d'Arte dell'AI

Immagina gli agenti AI come studenti in una classe d'arte.

La Tela: Invece della pittura, stanno evolvendo piccole reti neurali (ricette matematiche) che generano immagini.
L'Insegnante: All'AI viene detto: "Guarda queste immagini, scegli quelle che ti piacciono e ne crea di nuove basandoti su di esse".
L'Obiettivo: Non c'è una risposta "corretta". L'obiettivo è semplicemente continuare a creare cose nuove e interessanti per sempre.

2. Il Problema: L'AI Si Blocca in un Rituale

Quando i ricercatori hanno lasciato che l'AI giocasse da sola senza trucchi speciali, si è comportata un po' come uno studente che si annoia e inizia a disegnare la stessa cosa all'infinito.

La Trappola della "Volpe": Invece di scoprire una vasta varietà di animali, l'AI si bloccava in un loop, creando dozzine di versioni leggermente diverse della stessa forma simile a una volpe o a una spina di pesce. Le mancava la capacità umana di compiere un "salto audace" verso un'idea completamente nuova.
Il Problema della Memoria: Gli esseri umani ricordano cosa hanno visto prima e cercano di evitare di ripetersi. L'AI, invece, faticava con la memoria.
- Se l'AI non aveva alcuna memoria delle sue mosse passate, si limitava a spammare la stessa immagine ripetutamente.
- Se l'AI aveva troppa memoria (leggendo l'intera storia), si sentiva sopraffatta e confusa, producendo spesso un rumore statico disordinato invece di immagini chiare.
- Il Punto Dolce: L'AI funzionava meglio quando ricordava solo l'ultima cosa che aveva fatto. Questo era sufficiente per impedirle di ripetersi immediatamente, ma non così tanto da confonderla.

3. Le Soluzioni: Come Rendere l'AI Più Creativa

I ricercatori hanno provato tre principali "ingredienti" per vedere se potevano scatenare più creatività, simile a come un insegnante potrebbe provare a motivare uno studente.

A. Aggiungere un Po' di "Caos" (Rumore Esplorativo)
Immagina uno studente troppo perfetto nel seguire le regole. A volte, devi dirgli: "Ehi, scegli un colore a caso per una volta!".

I ricercatori hanno aggiunto una piccola quantità di casualità alle scelte dell'AI. Invece di scegliere sempre l'immagine "migliore", l'AI avrebbe occasionalmente scelto una casuale solo per vedere cosa succede.
Risultato: Questo ha aiutato l'AI a sfuggire alla "trappola della volpe" e a trovare forme più diversificate. Tuttavia, se aggiungevano troppo caos, l'AI iniziava semplicemente a generare rumore spazzatura. Un po' di casualità era la chiave per trovare nuovi percorsi.

B. Dare all'AI "Personalità"
Immagina una classe con 1.000 studenti, ma invece che siano tutti uguali, dai a ciascuno una caratteristica di personalità unica. Uno è ossessionato dall'"odore del fumo del falò", un altro è "alla ricerca del suono visivo di una sirena" e un altro è "annoiato e vuole infrangere le regole".

I ricercatori hanno creato 1.000 agenti AI diversi, ognuno con un prompt di personalità unico e bizzarro.
Risultato: Questo ha creato molta diversità. Poiché ogni agente cercava qualcosa di diverso, la galleria si è riempita di una vasta varietà di immagini.
Il Rovescio della Medaglia: Sebbene la galleria fosse diversificata, si è anche riempita di immagini "avversarie" – strani pattern psichedelici e rumorosi che sembravano la distorsione della TV. Queste erano immagini che soddisfacevano le personalità strane e astratte degli agenti, ma non assomigliavano a nulla di reale. Era come avere uno studente che decideva che la "cattiva ricezione TV" fosse la forma d'arte più bella.

4. Il Verdetto: Gli Esseri Umani Hanno Ancora il Vantaggio

L'articolo conclude che, sebbene l'AI possa giocare a questo gioco, non ancora eguaglia la versione umana.

Galleria Umana: Piena di oggetti raffinati e riconoscibili (auto, volti, strumenti) che sembrano significativi ed evoluti.
Galleria AI: Piena di pattern interessanti, ma spesso bloccata in loop, o piena di rumore statico astratto. L'AI fatica a compiere i "grandi salti" di creatività che gli esseri umani fanno naturalmente.

La Conclusione:
I ricercatori non hanno costruito solo un bot d'arte migliore; hanno costruito un laboratorio per capire perché gli esseri umani sono così bravi nella scoperta aperta. Hanno scoperto che per rendere un'AI veramente creativa, serve un equilibrio delicato:

Memoria sufficiente per evitare di ripetersi.
Casualità sufficiente per provare cose nuove.
Un gruppo diversificato di "personalità" per esplorare diversi angoli dello spazio creativo.

Ma anche con questi ingredienti, l'AI produce ancora molto "rumore" e non ha ancora padroneggiato l'arte di trovare oggetti significativi e riconoscibili da sola. L'articolo suggerisce che stiamo ancora cercando gli ingredienti segreti che rendono la creatività umana così speciale.

Riepilogo Tecnico: Alla Ricerca degli Ingredienti dell'Apertura Infinita: Riprodurre Picbreeder con Modelli Visione-Linguaggio di Grande Dimensione

Enunciato del Problema

Il documento affronta la sfida di realizzare l'apertura infinita artificiale: la capacità di un sistema autonomo di generare un flusso apparentemente infinito di artefatti nuovi e significativi senza intervento umano o obiettivi di ottimizzazione predefiniti. Sebbene l'apprendimento automatico faccia affidamento pesantemente su dataset statici, che stanno diventando un collo di bottiglia, i sistemi aperti promettono una generazione continua di novità. Tuttavia, l'apertura infinita completamente automatizzata rimane una "sfida fondamentale".

Gli autori ipotizzano che Picbreeder, un sistema storico con intervento umano in cui gli utenti hanno evoluto collaborativamente immagini tramite reti neurali (CPPN), serva come esempio canonico di scoperta aperta. La domanda di ricerca centrale è se i Modelli Visione-Linguaggio di Grande Dimensione (VLM) possano replicare il comportamento aperto degli utenti umani in questo ambiente e, in caso affermativo, quali ingredienti di progettazione (memoria, esplorazione, diversità) siano necessari per facilitarlo.

Metodologia

Gli autori hanno implementato una ricreazione completamente artificiale di Picbreeder, sostituendo gli utenti umani con VLM all'avanguardia.

Architettura del Sistema

Motore Sottostante: Il sistema utilizza NEAT (NeuroEvolution of Augmenting Topologies) per evolvere CPPN (Compositional Pattern Producing Networks). Ogni CPPN prende in input le coordinate $(x, y, r)$ e produce in output tonalità, saturazione e luminosità, generando immagini $128 \times 128$ .
Ciclo dell'Agente: Una "sessione" consiste in un agente che si dirama da un'immagine esistente o parte da una popolazione casuale. L'agente seleziona i genitori da una popolazione di 15 immagini, applica mutazioni (e incroci) ed evolve la popolazione per 20 generazioni. Alla generazione finale, l'agente seleziona un'immagine da pubblicare in un archivio condiviso e le attribuisce un titolo.
Interfaccia dell'Agente: Gli agenti ricevono un campione dell'archivio (categorizzato per: meglio valutati, migliori nuovi, più ramificati, ultimi e casuali) e vengono invitati a selezionare i genitori, attivare/disattivare le modalità colore/struttura e regolare l'intensità della mutazione. Devono fornire una motivazione per le loro decisioni.

Interventi Sperimentali

Per identificare gli "ingredienti" dell'apertura infinita, gli autori hanno variato tre parametri chiave:

Memoria (Lunghezza del Contesto, $CL$): Il numero di passaggi di interazione precedenti inclusi nella finestra di contesto dell'agente.
- $CL=0$: È visibile solo la popolazione corrente.
- $CL=1$ (Predefinito): Corrente e un turno precedente.
- $CL=20$ (Completo): È visibile l'intera cronologia della sessione, incluso un prompt specifico che chiede all'agente di giustificare la novità rispetto all'archivio.
Esplorazione (Rumore di Selezione, $\epsilon$ ): Una strategia $\epsilon$ -greedy in cui, con probabilità $\epsilon$ , la selezione dell'agente viene sostituita da un'azione casuale (selezione casuale del genitore, impostazioni di mutazione casuali o attivazione/disattivazione della modalità colore).
Diversità Multi-Agente ( $N_A$ ): Il numero di "personalità" distinte assegnate agli agenti. I tratti della personalità (ad esempio, "Stai cercando l'equivalente visivo di una sirena che ulula") sono stati generati da un LLM e aggiunti all'inizio del prompt di sistema per simulare stili di gioco diversi.

Metriche di Valutazione

Gli autori hanno sviluppato metriche per quantificare il "fattore X" dell'archivio umano:

Richiamo Semantico: La capacità di riscoprire oggetti noti (basati sul dataset THINGS) misurando la distanza del coseno minima tra le immagini dell'archivio e gli embedding di classe in uno spazio congiunto testo-immagine (SigLIP2-B).
Novità Visiva e Semantica: Misurata tramite il raggio di copertura $k$ negli spazi di embedding (SigLIP-2-B-alignet per le immagini, gemini-embedding-001 per le didascalie). Questo quantifica quanto bene l'archivio copre lo spazio delle forme possibili.
Bilanciamento dell'Albero Filogenetico ( $J_1$ ): Una misura della diversità della linea evolutiva, che valuta se gli agenti si diramano da una vasta varietà di antenati o ripetutamente dalle stesse poche immagini.

Risultati Chiave

1. Compromesso tra Esplorazione e Qualità

Rumore ( $\epsilon$ ): L'introduzione di piccole quantità di rumore esplorativo ( $\epsilon \approx 0.25$ ) ha aumentato la diversità dell'archivio (Copertura Visiva/Semantica) e ha prevenuto il collasso delle modalità. Tuttavia, livelli di rumore più elevati ( $\epsilon \ge 0.5$ ) hanno degradato la leggibilità e il richiamo semantico delle immagini.
Osservazione: Sebbene il rumore abbia aumentato la diversità filogenetica (gli agenti si sono diramati da fonti più varie), non ha necessariamente aumentato la diversità genetica in modo da portare a variazioni profonde e significative a lungo termine. I VLM hanno mostrato un "favoritismo ostinato", selezionando costantemente forme specifiche anche da insiemi rumorosi.

2. Il Ruolo della Memoria (Lunghezza del Contesto)

$CL=0$: Gli agenti hanno sofferto di un grave collasso delle modalità, pubblicando duplicati e variazioni quasi identiche, risultando in un basso Richiamo Semantico.
$CL=1$: Sorprendentemente efficace. Un singolo passo di contesto è stato sufficiente per prevenire la ripetizione immediata e ha prodotto i punteggi di Richiamo Semantico più alti.
$CL > 1$: L'aumento della lunghezza del contesto ha generalmente degradato le prestazioni. $CL=2 $e$ CL=10$ hanno portato a "comportamenti patologici", incluso sovraccarico informativo, immagini più disordinate e loop di auto-sycophancy in cui gli agenti rafforzavano i propri pregiudizi.
$CL=20$: Sebbene le metriche di diversità abbiano raggiunto il picco (probabilmente a causa del prompt esplicito sulla novità), il Richiamo Semantico è rimasto inferiore rispetto a $CL=1$ e le immagini erano spesso astratte o rumorose.

3. Dinamiche Multi-Agente

Diversità: L'aumento del numero di agenti ( $N_A$ ) ha migliorato significativamente la Copertura Visiva e Semantica e il Bilanciamento dell'Albero.
Artefatti Adversariali: Ad alti numeri di agenti ( $N_A = 1.000$ ), l'archivio è diventato pieno di pattern ad alta frequenza, ininterpretabili e "psichedelici". Queste immagini hanno agito come hub adversariali, soddisfacendo contemporaneamente le preferenze conflittuali e astratte di molti agenti diversi. Sebbene queste immagini abbiano ottenuto punteggi elevati di Copertura Semantica, erano qualitativamente indistinte e rumorose.

4. Confronto con la Linea di Base Umana

L'archivio umano storico ha dominato la maggior parte delle metriche, in particolare nel Richiamo Semantico e nella raffinazione delle immagini. Gli umani hanno dimostrato una capacità di "salti audaci" nello spazio semantico (ad esempio, saltare da un volto a un'auto), mentre i VLM tendevano a compiere passi più piccoli e incrementali (ad esempio, volto $\to$ occhio $\to$ rana $\to$ auto).

Significato e Affermazioni

Il documento afferma che l'apertura infinita completamente automatizzata non è ancora stata raggiunta dai VLM, anche con modelli all'avanguardia. Tuttavia, lo studio fornisce un quadro per comprendere le condizioni necessarie:

Memoria Minima è Ottimale: Contrariamente all'intuizione che più storia aiuti il ragionamento, gli autori hanno scoperto che un contesto eccessivo porta a comportamenti patologici e collasso delle modalità. Un contesto minimo ($CL=1$) è stato sufficiente per prestazioni ottimali.
L'Esplorazione è un'Arma a Doppio Taglio: Sebbene necessaria per sfuggire agli ottimi locali, troppo rumore degrada la qualità degli artefatti.
Diversità senza Coesione: I sistemi multi-agente aumentano la copertura dello spazio di ricerca ma possono portare alla propagazione di immagini "adversariali" che soddisfano molti agenti ma mancano di significato semantico.
Il Divario del "Fattore X": Gli autori concludono che i VLM mancano attualmente della "audacia e discernimento" degli utenti umani. Sebbene possano essere guidati a produrre artefatti diversi, faticano a generare i "ponti" di novità di alta qualità e semanticamente coerenti che caratterizzano la ricerca aperta guidata dall'uomo.

Il lavoro suggerisce che per raggiungere un'apertura infinita a livello umano, i sistemi futuri potrebbero dover combinare attentamente questi interventi e potenzialmente incorporare studi sugli utenti per calibrare le metriche, piuttosto che fare affidamento esclusivamente sull'ottimizzazione automatizzata. Il codice è reso disponibile per facilitare ulteriori ricerche sugli "ingredienti" dell'apertura infinita.