🌀 nonlinear sciences

LOGOS-CA: A Cellular Automaton Using Natural Language as State and Rule

本文提出了名为 LOGOS-CA 的新型元胞自动机框架，该框架利用大语言模型将自然语言作为元胞状态和规则来驱动更新，从而突破了传统数值状态的限制，成功实现了森林火灾模拟并为人工生命研究提供了新视角。

原作者： Keishu Utimula

发布于 2026-02-12

📖 1 分钟阅读☕ 轻松阅读

原作者： Keishu Utimula

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一个非常有趣且充满想象力的新想法，叫做 LOGOS-CA。

为了让你轻松理解，我们可以把传统的“细胞自动机”想象成一个巨大的、由无数个小格子组成的棋盘（比如像《俄罗斯方块》或《我的世界》里的方块世界）。

1. 传统玩法 vs. 新玩法

传统的细胞自动机（旧玩法）：
想象一下，每个小格子里只能写一个数字（比如 0 代表空，1 代表树，2 代表火）。
格子的变化规则也是死板的代码：“如果周围有火，我就变成火；如果我是火，下一轮我就变成灰。”
这就像是一个只会听死命令的机器人，虽然能模拟森林火灾或交通拥堵，但它不懂“为什么”，也不会变通。
LOGOS-CA（新玩法）：
作者 Keishu Utimula 提出：如果我们让每个小格子里不再写数字，而是写一段自然语言（人类说的话），会发生什么？
而且，决定下一个状态是谁？不再是死板的代码，而是人工智能大模型（LLM，比如 GPT）。

打个比方：
想象这是一个由成千上万个**“微型作家”**组成的社区。
- 每个格子就是一个作家。
- 每个作家手里拿着一张纸条，上面写着：“我现在是一棵树，我很健康。”
- 当时间推进时，这个作家会看看周围邻居（Moore 邻域，即周围 8 个格子）在纸条上写了什么。
- 然后，他把自己和邻居的纸条内容，发给一个**“超级编辑”（AI 大模型）**。
- 超级编辑会根据这些文字描述，发挥它的“常识”和“想象力”，告诉这个作家：“好吧，既然你旁边着火了，那你下一句应该写：‘我变成火了！’"
- 作家更新纸条，游戏继续。

2. 他们做了什么实验？

作者用这个新系统做了两个实验，看看它到底行不行：

实验一：模拟森林火灾（考考它的“听话”能力）

任务： 让 AI 模拟经典的森林火灾。规则很简单：树遇到火就着火，着火变灰，灰永远不变。
结果：
- 高级 AI（如 GPT-4o, GPT-5）： 非常听话！它们完美地执行了规则，火灾蔓延的样子和传统数学模拟一模一样。这说明只要规则写清楚，AI 能像超级计算机一样精准工作。
- 低级 AI（如 GPT-4o-mini）： 有点“掉链子”。它们写着写着就开始胡言乱语，或者忘了规则，导致火灾模拟在第一步就崩了。这说明不是所有 AI 都适合干这种需要严格逻辑的活。

实验二：人工生命（ALife）（考考它的“创造力”）

任务： 这次没有死板的规则。中心放了一个“能产生随机字符”的细胞，周围是空地。让 AI 自由发挥，看看这个“生命”会怎么演化。
结果： 这里出现了非常有趣的**“性格差异”**：
- GPT-5-nano（像是一个随性的诗人）： 它喜欢用简短的符号，比如"A"、"Q"、"*"。它自己发明了一套“符号语言”，把状态定义为"A-spreading"（A 在扩散）。它的世界充满了随机性和符号的跳跃，像是一个抽象派画家的作品。
- GPT-5-mini（像是一个严谨的律师）： 它的描述非常长，充满了法律条文般的措辞。比如它会写：“由于周围邻居 unanimously（一致）被占用，且没有空位，根据‘不可覆盖’规则，我保持现状……"它喜欢用“自维持”、“抗覆盖”、“高频噪点”这种复杂的词汇。它的演化过程非常稳定，像是一个精密的机械钟表。

3. 这个发现意味着什么？

这篇论文告诉我们几个关键点：

语言就是世界： 人类用语言描述世界，AI 通过学习这些语言，似乎真的“理解”了世界的运行逻辑（比如火会烧树，树会挡路）。
AI 是有“性格”的： 在模拟复杂系统（如人工生命、社会现象）时，不同的 AI 模型会表现出完全不同的“世界观”。有的喜欢抽象符号，有的喜欢严谨定义。这意味着，你选哪个 AI 当“引擎”，直接决定了你模拟出来的世界长什么样。
未来的可能性：
- 我们可以用这个系统模拟化学反应（每个格子是一个分子，用化学式描述，规则用自然语言写）。
- 可以模拟经济活动或交通（每个格子是一个司机或公司，用自然语言描述意图，AI 来推演结果）。
- 甚至模拟社会舆论的传播。

4. 有什么缺点？

太贵了： 传统的模拟，电脑算一下只要 0.0001 秒。但 LOGOS-CA 需要给每个格子都调用一次 AI 大模型。这就像让 1000 个作家同时给编辑写信，速度很慢，而且费用很高（论文里提到模拟一次人工生命可能要花几十美元）。
不可控： 如果规则不够死板，AI 可能会“脑洞大开”，导致模拟结果偏离现实。

总结

LOGOS-CA 就像是在给计算机世界装上了一个**“语言大脑”。它不再用冷冰冰的数字和代码来模拟世界，而是用人类能读懂的故事和描述**来驱动。

虽然目前它还很慢、很贵，而且不同 AI 的“性格”会让结果千差万别，但它为我们打开了一扇新大门：也许未来，我们不需要写复杂的代码来模拟世界，只需要用自然语言描述规则，让 AI 去“演”给我们看。 这就像是从“编程”进化到了“导演”——你只需要告诉 AI 剧本，它就能帮你把整个世界的动态演出来。

LOGOS-CA 技术总结报告

1. 研究背景与问题 (Problem)

传统的元胞自动机（Cellular Automata, CA）通常使用整数或实数表示细胞状态，并通过固定的数学公式或代码逻辑定义更新规则。这种形式虽然高效，但在表达复杂语义、模拟涉及人类意图或常识推理的现象（如社会行为、材料微观断裂、化学反应等）时存在局限性。

尽管大型语言模型（LLMs）在自然语言处理任务中表现出色，且研究表明其内部隐式构建了世界模型（World Model），但如何将 LLM 的高表达力与 CA 的网格化模拟框架相结合，尚未得到充分探索。

核心问题：
能否将自然语言作为元胞自动机的“状态”和“规则”，利用 LLM 作为更新引擎，从而构建一个超越数值限制、具备丰富语义表达能力的模拟框架？

2. 方法论 (Methodology)

作者提出了 LOGOS-CA（Language Oriented Grid Of Statements – Cellular Automaton），这是一个基于自然语言的元胞自动机框架。

2.1 核心架构

状态表示：每个细胞（Cell）不再存储数值，而是存储一段自然语言描述（Natural Language Description）。
规则执行：更新规则不预设为代码，而是隐含在 LLM 的推理能力中。
更新机制：
1. 对于网格中的每个目标细胞，系统收集其当前状态描述及其 Moore 邻域（周围 8 个细胞）的描述。
2. 将这些信息组装成提示词（Prompt），发送给 LLM。
3. LLM 根据上下文推理，生成目标细胞在下一时刻的新状态描述。
4. 整个网格并行或串行更新，形成时间演化。

2.2 提示词设计 (Prompting)

系统提示 (System Prompt)：定义任务为模拟元胞自动机，要求输出 JSON 格式，包含 next_description 字段。
用户提示 (User Prompt)：包含目标细胞当前状态 {target_cell} 和邻域描述 {neighbor_desc}（格式化为 - <位置>: <描述>）。
灵活性：只需修改初始细胞描述即可改变模拟类型，无需修改底层代码逻辑。

2.3 实验设置

研究使用了 OpenAI 的多个模型（GPT-4o-mini, GPT-4o, GPT-5-nano, GPT-5-mini, GPT-5）进行实验，温度（Temperature）统一设置为 1 以测试模型在随机性下的表现。

3. 关键贡献 (Key Contributions)

提出 LOGOS-CA 框架：首次系统性地将自然语言作为 CA 的状态和规则载体，利用 LLM 作为动态更新引擎。
验证了语义模拟的可行性：证明了 LLM 能够理解并执行基于自然语言描述的复杂逻辑（如森林火灾传播、人工生命演化）。
揭示了模型特性对模拟的影响：发现不同 LLM 在模拟中表现出截然不同的“行为风格”和“演化动力学”，表明模拟结果不仅取决于规则，还深度依赖于所选模型的内在特性。
发现了“符号状态”的自涌现：在人工生命实验中，部分模型（如 GPT-5-nano）自发地创造了类似传统 CA 的符号状态（如用字符 'A' 代表特定状态），展示了 LLM 在模拟中自我定义规则的能力。

4. 实验结果 (Results)

4.1 森林火灾模拟 (Forest Fire Simulation)

任务：复现经典的 Bak-Chen-Tang 森林火灾模型（树、燃烧、灰烬、空地）。
表现：
- GPT-4o 和 GPT-5：完美复现了标准模拟结果，严格遵循规则，无格式错误。
- GPT-5-mini：整体表现良好，但偶尔产生无效输出。
- GPT-4o-mini 和 GPT-5-nano：在 $t=1$ 时即发生模拟崩溃，无法维持一致的规则遵循行为（如状态描述格式混乱或逻辑错误）。
结论：对于严格规则的任务，需要高能力的 LLM 才能确保模拟的准确性；低能力模型容易在长序列推理中失效。

4.2 人工生命模拟 (Artificial Life / ALife)

任务：在 25x25 网格中，中心细胞生成随机字符，周围为空地，观察演化。
模型差异：
- GPT-5-nano：
  - 动态性：状态变化剧烈，聚类边界模糊，系统保持高动态性，未收敛。
  - 描述风格：句子简短，自发创造了符号状态（Symbolic State Definitions），如用 'A', 'Q', '*' 等字符代表特定状态，并定义了传播规则。
- GPT-5-mini：
  - 稳定性：系统较快收敛至稳定状态（ $t<20$ 后变化趋近于 0）。
  - 描述风格：句子冗长，类似法律或技术规范文档。包含大量因果论证（"unanimously occupied"）、否定枚举（"no overwrite"）和条件限制（"only if..."）。
  - 视觉化：状态描述涉及视觉特征（如 "high-frequency speckle", "ultrashort fragments"），超越了纯文本逻辑。
量化分析：通过余弦距离计算细胞描述的变化率，证实了 GPT-5-mini 的快速收敛与 GPT-5-nano 的持续动态活动之间的显著差异。

5. 意义与未来展望 (Significance & Discussion)

5.1 潜在应用

LOGOS-CA 为模拟复杂系统提供了新范式：

微观物理/化学：细胞状态可用 SMILES 字符串表示分子，规则描述化学反应。
材料科学：模拟裂纹扩展，状态描述包含微观裂纹形态。
社会与经济：模拟交通拥堵、行人流动或经济活动，规则可融入人类意图和决策逻辑。

5.2 挑战与局限

LLM 依赖性：模拟结果高度依赖于所选模型。在规则模糊或自由度高的场景（如 ALife）中，结果可能反映的是模型的“性格”而非客观规律。
成本与可扩展性：
- 计算成本：每一步都需要对每个细胞调用 LLM，Token 消耗巨大（ALife 实验单轮成本高达 90 美元）。
- 时间成本：串行处理导致模拟速度慢。
- 优化方向：利用 KV Cache 共享、并行处理以及未来更廉价高效的开源模型。

5.3 结论

LOGOS-CA 成功证明了利用自然语言和 LLM 构建元胞自动机的可行性。它不仅是一个模拟工具，更是一个研究“语言如何描述世界”以及"LLM 如何构建内部世界模型”的实验平台。未来的研究需重点关注如何平衡模拟的灵活性与结果的可控性，以及如何降低计算成本以实现大规模应用。

代码可用性：
论文指出源代码和数据已公开：https://github.com/A5size/LOGOS-CA