強化學習基礎架構
以 15 個骨骼關鍵點坐標為輸入，雙層感知機神經網路為大腦，輸出的四個按鍵模擬肌肉控制。
這部在講什麼知識講解
紀錄開發團隊利用強化學習（Reinforcement Learning）訓練 AI 挑戰高難度遊戲《QWOP》，透過課程學習與演算法優化，最終打破人類世界紀錄。
適合誰對人工智慧、機器學習或遊戲物理引擎感興趣的人。
關鍵概念強化學習的基本訓練架構、稀疏獎勵問題的解決方案、AI 如何利用物理引擎漏洞尋找最優解。
最值得看04:22 AI 發現物理引擎漏洞，直接一腳踢飛欄杆的「非人類」解法。
概念地圖
概念與關係意義優先，時間戳用來導航
隨機網路蒸餾 (RND)
解決「稀疏獎勵」問題，透過獎勵 AI 對未知環境的「好奇心」，引導其在碰壁時嘗試新動作而非躺平。
課程學習 (Curriculum Learning)
將複雜的跨欄動作拆解為起跳、前腳過桿、後腳過桿三個簡單任務，逐步引導 AI 學習複雜技能。
災難性遺忘
AI 在學習新技能（跨欄）時會遺忘舊技能（走路），需透過擴大模型規模（提升 8 倍神經元數量）與更強的算力解決。
AI 與人類的效率對比
AI 需累積相當於 18 年不間斷的訓練時間才打破紀錄，凸顯出人類學習效率在小樣本下的驚人優勢。
讓下一支影片也替你省時間
把你常看的 YouTube 影片，也變成這樣的重點摘要
安裝摘要王後，打開任何 YouTube 影片就能一鍵整理重點，先看值得看的段落，不必再複製網址。
用摘要王先看重點，把時間留給想看的段落。免費註冊，我們會把 YouTube 電腦版安裝連結和教學寄到你的信箱。
免費註冊，再送 5 小時影片摘要額度・30 天有效
使用 Google 免費開始・每個新帳號限領一次
一個選填問題
剛才這份摘要有幫你節省時間嗎？
如果願意，點一下最接近你的感受就好。
謝謝，你的回答會幫我們把摘要做得更有用。
看完可以做什麼
前往開發者的 GitHub 專案（LYIHub）查看開源代碼，嘗試自行訓練一個能玩 QWOP 的 AI。需要留意：- 強化學習的結果高度取決於獎勵函數的設計，若設計不當，AI 容易陷入「局部最優解」（如跪著走）。
生成於 2026-07-20
檢舉
觀眾怎麼看
整理 40 則有效留言信心 高觀眾對AI挑戰QWOP的技術實作與幽默呈現給予高度肯定，同時引發對人類遊戲樂趣與AI發展的討論。
觀眾普遍讚賞影片內容有趣、製作用心，特別是AI動畫風格與幽默的敘事手法。
許多觀眾分享當年遊玩該遊戲的痛苦經歷，並對遊戲中隱藏的欄杆與跳遠機制感到驚訝。
部分觀眾認為AI打破紀錄缺乏人類競技的真實感與樂趣，另一部分則對AI學習過程感到驚奇。
有觀眾反映主持人情緒過於浮誇，且部分AI生成的畫面過多導致觀感躁動。
觀眾針對獎勵函數設計（Reward Shaping）與訓練過程中的人事管理隱喻提出討論。
本摘要僅基於提供的40則留言樣本，不代表全體觀眾意見。