重點速覽 6 分鐘閱讀
  • Sakana AI 的 neural cellular automata 是一個可訓練、會互相攻防的「像素生命」格子世界,你調的不是個體而是環境規則。
  • 生存門檻太高會全體滅絕,太低會帝國暴起暴落;同一套個體,環境一變勝負就翻盤。
  • 把環境依序設成「寬鬆 → 收緊 → 再放鬆」,原本只想生長的物種竟被逼出共存與邊界共生。
目錄

如果你能親手調整「活下去的條件」,一個世界會長成什麼樣子?來自東京 Sakana AI 實驗室的這個作品,把這個問題做成了可以在瀏覽器裡親手玩的東西。它不是遊戲,而是一個讓你在一個微型數位宇宙裡扮演神的研究展示——你不操控任何一隻生物,你操控的是它們賴以生存的整套規則。

一開始:一個太殘酷的世界

打開模擬器,畫面上是一個培養皿,裡面有 5 個 AI 物種在搶地盤——結果什麼都沒發生。為什麼?因為這個世界太殘酷了:我們把「生存門檻」設得太高,環境直接把它們碾死。你可以讓模擬跑再久也沒用,沒有任何一個物種能站穩腳跟。

這很像 App Store:成千上萬個新 app 上架,幾乎沒幾個能跑出聲量,多數無聲無息地消失。AI wrapper 公司、想爆紅的社群 app,也是同樣的劇本——光是活著就已經太難了。

把規則放鬆:暴起,然後暴落

那就當個仁慈一點的神,把日子調得好過一些。就像市場突然湧入大把資金灌向 AI 新創——爛點子?沒有 demo?沒有商業模式?沒關係,這裡有十億美元,衝啊。

結果呢?帝國開始瘋狂擴張……但是擴張得太快了。這些帝國從無到有迅速長大,又同樣迅速崩塌。為什麼?因為生存門檻被設得太低,沒有任何篩選壓力。

於是我們再把螺絲鎖緊:熱錢退潮、經濟變嚴苛。那些靠著熱錢上癮的公司,瞬間瓦解、消失。然後緊接著發生什麼?更能適應新環境的新物種冒了出來。繼續調動這些變數,你甚至可以製造出一個醜陋的壟斷局面,或是一個搖搖欲墜的生態系。

它怎麼運作:neural cellular automata

論文把這些物種稱為 neural cellular automata(神經細胞自動機)——一個活的、可訓練的「像素世界」,存在於一張 2D 格子上。細節相當複雜,但核心是這樣:

  • 每個生物都在爭奪這些像素,它們可以從鄰近的領地往外生長,並且必須靠在地的支持才能存活。
  • 關鍵在於:它們是持續在學習的
  • 它們還會打架:可以指定要往哪個方向攻擊、往哪個方向防守,就像手上拿著一把劍和一面盾,各自朝著某個方向。(實際研究是在更高的維度裡進行,模擬器上看到的是簡化版。)
  • 當兩個物種在邊界相遇,系統會計算哪個細胞能擊敗哪個細胞。
graph LR
    A[像素生物<br>neural cellular automaton] --> B[感知鄰近領地]
    B --> C[持續學習推論]
    C --> D[生長 / 攻擊 / 防守]
    D --> E[邊界相遇:<br>系統判定誰勝誰負]
    E --> F[由在地支持決定存活]
    F --> A

這個作品最迷人的地方在於:無論你做出一個徹底混亂的世界,還是一個穩定健康的生態系——這完全取決於你。改變環境,你就改變了贏家;由環境決定誰崛起、誰衰落、誰連機會都沒有。

大自然是這樣運作的,市場是這樣運作的,幾乎一切都是這樣運作的。這也說明了為什麼一個國家擁有好的政策如此重要:多數時候你讓競爭自己去篩出贏家,但有時候,一個微小的推力,就能讓整個系統變得更健康。

更美的部分:競爭之外,還能合作嗎?

前面講的都是競爭。但合作有沒有可能?直覺上會說不可能——因為每個生物都只有一個目標:生長。單一目標應該只會催生極端競爭,而不是合作,對吧?

結果是完全錯了。透過三個階段的環境操作,合作真的浮現了:

graph TD
    S1["① 寬鬆混合 Permissive mixing<br>環境非常寬容,物種四處蔓延<br>到處互相碰撞,形成一鍋大雜燴,沒有明確邊界"]
    S2["② 結晶 Crystallization<br>把門檻調高一點,規則變嚴<br>物種被迫聚成密實的形狀才能活下來<br>競爭畫出邊界,邊界硬化"]
    S3["③ 放鬆 Relaxation<br>再次調回較寬容的環境<br>邊界裂開、彼此流入,出現條紋與棋盤格<br>帝國被迫共存"]
    S1 --> S2 --> S3

第一步,寬鬆混合:環境非常寬容,數位物種四處奔放、蔓延到每個角落,不斷彼此碰撞,變成一鍋沒有明確邊界的大雜燴。

第二步,結晶:稍微把門檻拉高、規則變嚴。為了在這個更艱困的世界活下去,物種必須抱團、聚成密實堅固的形狀。競爭在這個過程中畫出了邊界,而邊界逐漸硬化。

第三步,放鬆:再把環境調回比較寬容的狀態。這時奇妙的事發生了——帝國之間冒出條紋小棋盤格。為什麼?在前一個階段裡,脆弱的邊界細胞會立刻死掉,就像兩種顏色的油漆中間隔著一條遮蔽膠帶,顏色被乾淨地分開。而到了第三階段,我們等於把這條遮蔽膠帶撕掉了:邊界裂開、彼此流入,形成這些小小的條紋。

這些帝國因此被迫共存——因為這時的規則沒辦法再那麼輕易地殺掉脆弱的邊界細胞,於是雙方都能在交界處保住一小塊地,而不是一方把另一方徹底抹除。簡單、優雅、漂亮。

一個關於規則的啟示

這套動力學其實是一堂很好的人生課,也是系統設計的縮影:

  • 永遠太寬鬆,你的世界會變成一鍋糊掉的湯。
  • 永遠太嚴格,你的世界會變成一座監獄。
  • 比較好的路徑是:先寬鬆,給自己空間摸索方向;再建立紀律,硬起來、長出自己的形狀、立下邊界;最後,為了不要永遠凍結在原地,再適度放鬆——成長、適應、讓新的東西進來。

無論對象是生態系、市場、組織,還是任何一個複雜系統,真正決定命運的往往不是裡面的個體有多強,而是它們所處的規則(也就是激勵結構)長什麼樣子。Sakana AI 這個作品厲害的地方,就是把這個抽象到不行的道理,變成一個你可以親手把玩、半小時就能玩出直覺的東西。

參考資料

問這篇文章

AI 只根據這篇文章內容回答。點下方任一問題,或直接開右下對話框。

相關標籤

相關文章

AI 影片的動作為什麼總是怪怪的?答案不是更多資料,而是更少

用 optical flow 把『動作』從『外觀』中分離,並把它套在 AI 的內部學習訊號上,就能反查某個動作是從哪些訓練影片學來的;再用 Johnson–Lindenstrauss 投影把十億級參數壓到 512 維讓比對變得可行。最後剔除教壞模型的爛資料、用乾淨資料微調,動作品質在使用者研究中拿下 74.1% 勝率。