奇幻的神經網路進化之旅：讓 50 隻小鳥自己學會 Flappy Bird

當你看到螢幕上那些小鳥神奇地穿越障礙物時，也許會想：「這些賽博小鳥是怎麼變得這麼聰明的？」今天就讓我們一起揭開 Flappy Bird 背後的神秘面紗，探索那個讓小鳥從笨拙到優雅飛翔的進化之旅。

下面的五十隻小鳥現在就在你的瀏覽器裡進化。先看牠們撞牆撞個幾代，然後把速度調快。

什麼是神經進化演算法？

如果你不曾聽過「神經進化演算法」（Neuroevolution），別擔心。它聽起來像是科幻電影裡的名詞，但實際上概念出奇簡單。

想像一下：

• 神經網路：模仿人腦的電腦程式
• 遺傳演算法：模仿達爾文進化論的優勝劣汰過程
• 神經進化：將上面兩者結合在一起的絕妙點子

簡單說，就是讓一群「電子鳥腦」彼此競爭，然後讓表現最好的「鳥腦」傳遞基因到下一代。就像現實生物的進化一樣，但速度快了幾百萬倍！note 這裡完全沒有梯度、沒有反向傳播，也沒有損失函數。唯一的回饋是「這隻鳥活了多久」。

鳥腦解剖學：簡易版

我們的 AI 鳥有一個極其簡單的「大腦」結構，就是上面儀器右邊畫的那張圖：

• 輸入：只有兩個神經元，分別接收鳥的高度和下一個開口的高度
• 隱藏層：有兩個神經元進行數據處理
• 輸出：一個神經元，超過 0.5 就拍動翅膀

就這樣！總共六個權重，沒有什麼深度學習，沒有複雜的卷積。但別小看這個「鳥腦」，它能創造奇蹟！

從菜鳥到鳥霸王：進化的秘訣

第一步：隨機大亂鬥

// 初始化 50 隻完全隨機的鳥
const population = new Population({
  shape: [2, 2, 1], // 2 個輸入、2 個隱藏神經元、1 個輸出
  size: 50,
});

最初，所有的鳥都是「菜鳥」，完全隨機行動。就像把 50 個初學者丟進鋼管舞教室，然後看誰能不摔斷腿堅持最久。大部分會悲慘撞牆，但總會有幾隻運氣好一點的。

第二步：優生學（不是邪惡的那種）

elitism: 0.2,    // 保留成績最好的 20%
randomRate: 0.2, // 讓 20% 完全隨機（防止陷入局部最優）
                 // 其餘 60% 是優秀鳥的後代

我們會做幾件事：

• 保留表現最好的鳥（菁英主義萬歲！）
• 引入一些全新的隨機鳥（新鮮血液！）
• 讓菁英鳥「交配」產生後代（不要想太多…只是混合牠們的神經權重）

第三步：突變基因，創造未來

mutationRate: 0.1,  // 每個權重有 10% 的機率發生突變
mutationRange: 0.5, // 突變幅度最大為 ±0.5

為了避免「近親繁殖」問題，我們會隨機改變一些神經連接的權重。這就像是自然界的基因突變，有時候會創造出超能力，有時候…嗯，就是災難。

AI 鳥類行為學：奇怪但有效的策略

經過幾十代進化後，你會發現這些 AI 鳥發展出一些有趣的行為模式：

• 驚慌失措鳥：總是在最後一刻才跳，看起來像是有嚴重的拖延症。
• 超級保守鳥：保持在畫面中央，就像一個不願冒險的會計師。
• 節奏大師鳥：發展出幾乎有音樂感的律動，讓人不禁想放些背景音樂。
• 作弊鳥？：有時候看起來牠們找到了遊戲的漏洞，但實際上只是演算法最佳化的結果。

為什麼這麼簡單的東西能有效？

你可能會問：「真的這麼簡單就能讓 AI 學會玩遊戲？」

答案是：是的！因為：

• 問題很單純：Flappy Bird 是一個狀態簡單、動作有限的遊戲。
• 大量嘗試錯誤：電腦可以在短時間內嘗試數千次，比你自己練習幾百小時還有效。
• 適者生存：這是自然界最古老的學習法則之一，就算應用在虛擬鳥身上也一樣有效。

不過進化不保證成功。note 我用 12 組不同的隨機種子各跑了 60 代：11 組在二十幾代內就學會了，有 1 組整個族群卡在同一種壞習慣裡，始終飛不過第三根管子。 如果你看到分數一直上不去，按「重新開始」換一批祖先就好。

技術實現的獨特之處

private breed(a: Float32Array, b: Float32Array): Float32Array {
  const child = Float32Array.from(a); // 複製第一個親代的基因
  for (let i = 0; i < child.length; i++) {
    if (rng() <= 0.5) child[i] = b[i]; // 基因交叉：50% 機率採用第二個親代的基因
    if (rng() <= mutationRate) child[i] += rng() * mutationRange * 2 - mutationRange; // 隨機突變
  }
  return child;
}

這段程式碼是整個系統的「DNA 實驗室」，負責將兩個成功的神經網路「基因」混合並產生下一代。這就像是把兩隻聰明鳥的「腦細胞連接方式」攪拌在一起，再加點突變調味料。note 基因組就是一條 Float32Array。同一套 Population 也被下一篇的交易機器人拿去用，只是網路大了一點、分數換成了報酬率。

結論：AI 與達爾文的共舞

下次當你看到那些小鳥優雅地穿越管道時，請記住：牠們不是被編程要這樣做的，而是「學會」了這樣做。通過無數代的失敗、學習和進化，從隨機行動到精確控制，這些虛擬生物展示了一個簡單而深刻的真理：

有時候，成功的秘訣不是聰明的設計，而是給予足夠的嘗試機會和適應環境的能力。

如果一群像素鳥能通過簡單的進化演算法學會玩遊戲，那麼我們人類是否也是通過類似的過程學會我們所有技能的呢？也許我們每個人都是自己基因和經驗的神經進化實驗品…

好了，深度思考時間結束。回到上面把速度調到「最快」，讓我們看看幾代之後那些小傢伙能有多厲害！

技術補充

如果你對神經進化演算法背後的數學和更多技術細節感興趣，可以參考以下資源：

• Kenneth O. Stanley 的 NEAT 論文：NeuroEvolution of Augmenting Topologies
• 《The Quest for Artificial Intelligence》，Nils J. Nilsson
• 《Evolutionary Optimization Algorithms》，Dan Simon

這篇文章最初於 2025 年 3 月發表在我的舊站。搬到這本筆記時，互動元件用 TypeScript 整個重寫了。