# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Sakana AI (@SakanaAILabs) · 平台：X (Twitter) · 日期：2026-04-18

> 原始來源：https://x.com/SakanaAILabs/status/2045532808995905764

## 中文摘要

Sakana AI 發布「Digital Ecosystems」，讓多個競爭神經網路在 2D 網格上即時互動演化，透過瀏覽器平台探索人工生命邊緣混亂狀態。

Sakana AI 推出「Digital Ecosystems」瀏覽器平台，延續去年「Petri Dish NCA」，讓多個小型 CNN 物種在共享 2D 網格上競爭領土，每個物種僅觀察 3x3 局部鄰域，無全局規劃，透過即時梯度下降學習攻擊與防禦策略。意外發現學習過程不僅優化個別策略，還穩定整個系統：過度擴張物種會被損失函數推回，停滯物種則被引導成長，從而維持邊緣混亂（edge-of-chaos）狀態的複雜性湧現。平台支援即時干預逾 40 項參數、繪製牆壁與儲存檢查點，一切在瀏覽器客戶端運行，無需安裝。

**平台核心創新**

平台擴展「Petri Dish NCA (PD-NCA)」框架，引入六項演算法更新，提升穩定性與動態豐富度：
- **Presence gating**：限制競爭僅限物種現有領土的膨脹 3x3 鄰域，避免滅絕區域的幽靈影響，穩定互動探索。
- **Emergency respawn**：當物種總存活率低於 1 時，隨機注入五個種子細胞；原 PD-NCA 中單一壞梯度步驟即永久滅絕，新機制確保系統在劇烈參數變更後仍可探索。
- **Growth gate**：以可微分 sigmoid 取代硬閾值（原預設 0.4），預設 kgate=20 近似階躍函數，降至 ~5 則拓寬過渡區，允許穩定中間存活值，推動邊緣混亂動態，類似學習型 Langton-λ 參數。
- **Win-rate feedback**：每細胞追蹤最大局部存活的指數移動平均，高存活細胞更新頻率增加，強化領土並抑制邊界振盪。
- **競爭機制**：各物種發射 L2 正規化攻擊/防禦向量，透過餘弦相似度與溫度控制 softmax（參數 τ）決定影響權重，支持共存而非贏家通吃。
- **軟最小損失**：最大化自身人口，附加熵獎勵防單一物種壟斷。

**系統運作細節**

每個網格細胞儲存狀態向量，分三部分：
- **存活通道**：每物種一通道，外加「sun」中性實體填充空地，物種須主動競爭奪取。
- **攻擊/防禦向量**：預設各 16 維，用於餘弦相似度競爭。
- **隱藏狀態**：2 通道遞迴記憶，跨步驟傳遞。

單步模擬流程：
1. 各物種網路（3x3 編碼器卷積 + 倒置殘差塊，使用深度可分離卷積）提出每像素更新。
2. 競爭：攻擊者攻擊向量對所有防禦者防禦向量的餘弦相似度 → softmax 加權組合更新。
3. 損失計算並反向傳播，更新網路權重。
4. Growth gate 決定更新資格，調節凍結、臨界或混亂狀態。

一切使用 TensorFlow.js 透過 CDN 加載，Chrome/Edge 提供最佳 WebGL2 效能；本地運行僅開啟 index.html，無建置需求。

**互動功能與工作流程**

平台圍繞即時參數導向設計，讓研究者觀察瞬態現象、形成假設並即時測試：
- **即時控制**：逾 40 參數，包括競爭溫度、學習率、模型深度與核大小。
- **時間軸儀表板**：堆疊面積圖追蹤物種人口，疊加檢查點標記、參數變更指示、多樣性與訓練損失火花圖。
- **檢查點系統**：5 個手動槽位 + 滾動自動儲存，完整記錄網格張量、網路權重、優化器緩衝與指標歷史。
- **繪圖工具**：手繪牆壁（不可穿越障礙）、擦除、單獨播種物種。

使用者可儲存狀態，從相同起點分支探索「未選之路」，類似 Picbreeder 的分支實驗，超越傳統批次掃描，捕捉路徑依賴瞬態。

**案例研究亮點**

五個案例展示平台互動模式，揭示意外現象：
- **案例 1：Growth Gate 作為學習邊緣混亂**：kgate=17.5 時 sigmoid 近階躍，領土平坦雙穩；降至 4.9 進入臨界帶；4.6 則崩潰成混亂。
- **案例 2：極端競爭溫度**：τ=0.1（GUI「Sharpness」滑桿）使 softmax 近 one-hot，產生持久閃爍混合吸引子，每像素步驟間切換物種，系統整體穩定。
- **案例 3：閾值循環下的湧現合作**：適當條件下，物種形成細粒度交錯圖案，持續數千步；關鍵在結晶階段的鄰域關係，選擇性合作僅限曾為鄰居者。
- **案例 4：優化器與學習率選擇**：從單一狀態分支六途徑，三種質性不同生態系統湧現，人口動態依優化器與學習率分歧。
- **案例 5：生物地理學**：手繪牆壁與現場擾動，研究環境約束如何塑造競爭演化。

**技術背景與獨特性**

「Neural Cellular Automata (NCA)」透過反向傳播學習局部更新規則，從純局部計算產生全局湧現；多代理擴展見於 Lenia、Flow-Lenia、Biomaker CA、Coralai 等，但多用進化或規則動態，無即時梯度下降訓練競爭物種。「Petri Dish NCA (PD-NCA)」（Zhang, Risi & Darlow, 2025）首創此法，本平台首度實現即時互動版。相較非互動研究或批次掃描，本作捕捉運行中動態，梯度下降不僅優化策略，還如系統膠水維持邊緣混亂複雜性。

**開源與存取**

程式庫位於 GitHub (http://github.com/SakanaAI/digital-ecosystem)，Apache 2.0 授權，結構簡潔：
- index.html：UI 佈局與樣式。
- main.js：應用控制器、渲染迴圈、使用者互動。
- petri-dish.js：NCA 模擬引擎，涵蓋模型建立、競爭、訓練。
- 其他：swissgl.js (WebGL2 渲染)、dat.gui.min.js (GUI 小工具)、recording.js (影片記錄與 .petri 檢查點)、timeline.js 等。
- presets/default-ecosystem.petri：預訓練生態檢查點 (~4.7 MB)。

直接開啟 index.html 或用 python3 -m http.server 8000 伺服；點擊「Load Showcase」啟動預載生態。部落格詳文：http://pub.sakana.ai/digital-ecosystem；線上試玩：https://pub.sakana.ai/digital-ecosystem/app。引用：@misc{darlow2026digitalecosystems, title={Digital Ecosystems: Interactive Multi-Agent Neural Cellular Automata}, author={Luke Darlow}, year={2026}, url={https://pub.sakana.ai/digital-ecosystem}}。

此平台不僅 mesmerizing（令人著迷），還開啟人工生命研究新範式，讓研究者如神明般干預「培養皿」，觀察學習如何維繫複雜系統，探索穩定與混亂邊緣的意外展開。

## 標籤

新產品, 開源專案, AIGC, Sakana AI