Vie-artificielle : Une reproduction en 300 lignes de Python de la recherche sur la Vie Computationnelle
Ce que c'est
Artificial-life est une reproduction en Python de 300 lignes de l'article de recherche Computational Life 'Comment des programmes bien formés et auto-répliquants émergent d'une simple interaction.' Il simule l'émergence de l'auto-réplication dans une grille de programmes simples.
Comment cela fonctionne
La simulation utilise une grille de 240x135 contenant 64 programmes de type Brainfuck d'une longueur d'instructions initialisés aléatoirement. Chaque itération suit ce processus :
- Les programmes voisins sont appariés aléatoirement
- Leurs bandes d'instructions sont concaténées
- Le programme combiné s'exécute pendant un maximum de 213 étapes
- Après exécution, les bandes sont séparées à nouveau
Les instructions peuvent boucler et muter les bandes d'instructions elles-mêmes. Comme décrit dans l'article original, des programmes auto-répliquants qui se copient sur la bande de leur voisin émergent souvent spontanément et se propagent pour occuper toute la grille.
Représentation visuelle et exécution
Chaque pixel représente une instruction avec des couleurs uniques, tandis que le noir indique un stockage de données brutes (pas une instruction). Chaque section de 8x8 pixels représente un seul programme.
Pour exécuter une simulation avec la graine 1 :
uv run main.py --seed 1Dans cette exécution spécifique, un auto-réplicateur émerge relativement tôt et occupe la majeure partie de la grille jusqu'à ce qu'un auto-réplicateur plus efficace évolue et domine tout.
Le dépôt inclut des exemples de sorties : universe.gif et universe.mp4 montrant la progression de la simulation.
Détails techniques
Le projet utilise exclusivement Python (100,0 % selon la détection de langage de GitHub) et inclut les fichiers standards de projet Python : pyproject.toml, uv.lock et .python-version.
Cette implémentation démontre comment un comportement émergent complexe peut naître de règles d'interaction simples, montrant spécifiquement comment des programmes auto-répliquants peuvent évoluer sans programmation explicite pour la réplication.
📖 Lire le code source complet : HN AI Agents
👀 See Also
Rever UI Cloner : Alternative optimisée par l'IA au scraping HTML pour la réplication d'interface utilisateur
Rever UI Cloner est un point de terminaison API qui fournit aux agents IA des plans de conception propres au lieu de HTML brut, évitant ainsi le gonflement de la fenêtre de contexte et les problèmes d'hallucination d'interface utilisateur. Il utilise le protocole de paiement x402 nécessitant une micro-transaction de 1 USDC sur le réseau Base pour les paiements d'agent à agent.
La méthode de quantification JANG améliore les performances de MLX pour les grands modèles
Une nouvelle méthode de quantification appelée JANG permet d'exécuter de grands modèles comme MiniMax-M2.5 et Qwen 3.5 sur le framework MLX d'Apple avec des performances nettement supérieures à la quantification MLX standard, atteignant des vitesses quasi natives tout en conservant une précision comparable aux quantifications à plus de bits.
Holaboss vise à résoudre le déploiement d'agents locaux portables.
Holaboss est un projet open-source qui traite l'agent IA comme un artefact portable avec un espace de travail par agent, des compétences/applications locales, une mémoire persistante et un runtime qui peut être empaqueté séparément de l'application de bureau. Il prend en charge des piles de modèles locales comme Ollama et nécessite Node.js 22+ sur les machines cibles.
Skales : Agent IA de bureau avec support Ollama, 300 Mo de RAM au repos
Skales est une application de bureau native Electron qui fournit un agent IA autonome avec des installateurs .exe/.dmg, fonctionne avec Ollama pour l'inférence locale ou des fournisseurs cloud, et utilise environ 300 Mo de RAM au repos avec les données stockées localement dans ~/.skales-data.