Loading
0606 / 09点击 Discover 并不是要求粒子生命发挥创造力。它只是在十二个随机矩阵中，选择最符合三项预设测量的一个。
生成随机规则很容易。只有当候选被评估、比较与淘汰时，搜索才真正开始。
本轮所有候选共享同一个初始世界
这些数值由发布版 DiscoverySearch 产生：12 个非对称矩阵、400 个粒子、8 个模拟秒，每轮使用同一评估种子，并测量最后 60 步。
Discover 创建十二个 [-1, 1] 内的 5×5 矩阵，并保留两位小数。至少三组非对角关系会被强制为明显非对称：一个方向在 +0.5 到 +1，反方向在 -1 到 -0.5。
这是对追逐行为的明确先验。它让功能能在几秒内找到有用结果，也限制了搜索空间。
每个候选使用 400 个粒子、八个模拟秒、1100×760 世界和相同种子。这样可以公平比较矩阵，但不能证明跨种子的稳健性。
得分 = 团簇 × 2 + 运动多样性 − 速度惩罚速度低于 3 或高于 80 px/s 时扣除 1,000 分。
Discover 奖励团簇与速度多样性，并对 3–80 px/s 运动范围之外的候选扣除 1,000 分。
这个得分奖励结构与快慢粒子共存，却不测量长期持续、新颖性或繁殖。
5,760 个步骤被分成小片执行。tick() 用完时间预算后把控制权交回浏览器。测试要求切片执行与连续执行产生完全相同的候选、分数和赢家。
搜索结束后，赢家成为 Custom，矩阵用十帧过渡，并可保存或分享。
Jeffrey Ventrella 在官方 Clusters 文档中描述了非对称粒子系统，并记载 Tom Mohr 从 2018 年开始把它简化为 Particle Life。
2024 年，Kumar 等人发表 Automated Search for Artificial Life，即 ASAL。它使用视觉语言基础模型，在多个 ALife 基底中搜索目标行为、开放式新颖性与多样性。
这里的 Discover 属于同一类问题，但不是 ASAL 实现。它使用手工指标、十二个矩阵、一个局部赢家和单一基底。
每个搜索器都反映自己的评估器。奖励团簇就会找到团簇，惩罚静止也可能排除安静却深刻的结构。
更可信的下一版应该使用多个种子、持续性测试、相对已保存世界的新颖性，以及帕累托前沿而不是单一得分。
在模拟器中连续运行两次 Discover，并判断每个赢家可能凭哪项指标存活。