Sakana AI Digital Ecosystems：在瀏覽器裡把競爭中的神經網路放進培養皿
Sakana AI 把 Petri Dish NCA 搬進瀏覽器：多個小型 CNN 在 2D 網格上互相攻擊防禦，gradient descent 在線學習的同時，也意外地扮演了整個系統的穩定器。40+ 參數可以即時拖拉，把生態系推到 edge-of-chaos 邊緣。
目錄+
當 gradient descent 不再只是最佳化
大多數人對 gradient descent 的直覺是：它用來最佳化一個模型的 loss，讓單一 network 越來越會做一件事。Sakana AI 在 2026-04-18 發布的 Digital Ecosystems 展示了一個反直覺的觀察——當多個神經網路同時放在一個 2D 網格上彼此競爭、同時被在線訓練時，gradient descent 本身變成了整個生態系的穩定器，而不只是單一物種的優化器。這個現象比「可互動的 ALife 瀏覽器沙盒」這個介面本身更值得認真讀一遍。
Digital Ecosystems 是什麼
這個專案由 Luke Darlow 主導，延伸自他與 Zhang、Risi 在 ALIFE2025 發表的 Petri Dish NCA（PD-NCA）。基本設定是：N 個 neural species（每個是一個小型 CNN）共用一個 2D 網格，每個 cell 只能看見自己周圍 3x3 的鄰居，沒有任何全域計畫或中央協調。
競爭機制建立在 attack 向量與 aggregate defense 的互動上：攻擊方向與防禦方向以 cosine similarity 計算匹配度，再經過一個 temperature-τ 的 softmax，當 τ 趨近於零時行為就逼近 winner-take-all，τ 大時則是較平緩的多方共存。物種透過 online gradient descent 一邊模擬一邊學習。
v2 相較 PD-NCA 的核心升級是引入「tunable growth gate」，它的 steepness 參數扮演了 learned Langton-λ 的角色，直接控制整個生態系落在 frozen、critical 還是 turbulent 的 regime。
gradient descent 作為系統穩定器
這是整篇發布最值得展開的論點。傳統理解裡，gradient descent 是在為單一 species 的策略找局部極小值；但當多個物種同時學習、同時互相擠壓領地時，loss function 的效果變得不一樣。
過度擴張的物種會在 loss 的推擠下被往回拉——它的攻擊效率隨著遇到更多異種防禦而下降，gradient 自動把它從膨脹狀態拉回可持續的大小。相對地，一個停滯、快要被清除的物種則會被 nudge 成長，因為它的殘餘細胞面對的是相對弱的防禦環境，loss 會引導它重新找到立足點。
這個雙向的壓力意味著你可以把系統參數推到 edge-of-chaos 的危險帶，而不會立刻讓模擬崩潰成單色霸權、也不會凍結成靜態馬賽克。對 ALife 領域來說這相對新——過去多數研究用 evolutionary algorithm 作為選汰壓力，Digital Ecosystems 讓 gradient descent 扮演了功能上類似演化的角色。對做 multi-agent RL 的人來說，這也是一個值得玩味的類比：梯度不只是個體學習訊號，也是群體動力學的一部分。
互動平台的設計
介面分成幾個層次。主 control panel 對應原始論文使用的那一批核心參數，是給第一次打開的人玩的。Advanced folder 底下藏了 30+ 進階參數（drawing tools、物種數、更細的溫度與步長設定），把基本控制加進來後整個系統可調參數超過 40 個。
Timeline dashboard 同時顯示 per-species population strata、Shannon diversity、training loss 曲線，以及 checkpoint markers——方便你看出哪個 intervention 改變了生態系的長期走向。Checkpoint tray 允許你保存一個 promising 的狀態，之後從同一個起點做不同 intervention，比對分岔結果，概念上接近 Picbreeder 那種 branching exploration 的工作流。
渲染層用的是 Alexander Mordvintsev 的 SwissGL，在 WebGL 上把整個 CNN 前向推論跟 CA 更新做成 shader，全程 client-side，不需要任何 install 或 server round-trip。
批判視角：先把浪漫敘事放一邊
雖然示範很吸引人，但有幾個點值得提醒自己不要過度解讀。
第一，edge of chaos 不是新觀念。Chris Langton 在 1990 年提出 Langton-λ 時，就假設複雜運算會出現在 ordered 與 chaotic 之間的臨界帶；但 Mitchell、Hraber、Crutchfield 在 1993 年的「Revisiting the Edge of Chaos」反例顯示，GKL 規則在 λ=1/2 這個被歸類為 chaotic 的區域依然能做出複雜的 CA 計算。換句話說，「複雜運算必須發生在 edge of chaos」這個口號本身就不是定論。
第二，PD-NCA 論文自己的措辭也相當克制——他們用的是「preliminary experiments」「signs of cooperation」這種字眼，沒有宣稱證明了 open-endedness。Digital Ecosystems 是 v2 的工具化延伸，不是更強的科學主張。
第三，「開放式演化」本身在 ALife 文獻裡沒有公認的客觀指標。Shannon diversity、neural complexity、行為多樣性都被提過，每一個都有反例。所以當你看到視覺上很迷人的分岔與再組織時，請分清楚這是「系統確實產生了新的結構」還是「渲染與顏色選擇製造了新鮮感」——兩者常常難以切開。
把這些前提接受下來，Digital Ecosystems 的合理定位比較像「研究工具 + 高品質視覺直覺」，而不是「ALife 根本問題的解答」。
為什麼值得親自打開一次
三個實際理由。第一，gradient descent 在多物種競爭下扮演穩定器這個觀察，對做強化學習、multi-agent RL、或任何多目標聯合訓練的人都有啟發，值得對著 timeline dashboard 親自感受一次 loss 的回推力量。第二，瀏覽器裡同時拉 40+ 參數玩 edge-of-chaos，這是目前少數能讓非專業研究者真的「摸到」CA 動力系統的入口。第三，SwissGL 跑 WebGL 的效能驚人，整個 CNN + CA 模擬全在 client-side 完成，單從工程角度就適合拿來做科普或教學的 reference 案例。Blog 在 pub.sakana.ai/digital-ecosystem，原始碼在 github.com/SakanaAI/digital-ecosystem。