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。
强化学习打爆史上最难跑步游戏！
✓ 這篇在你的庫裡
在摘要庫開啟 →
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。
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 39 則有效留言信心 高觀眾對 AI 挑戰高難度遊戲《QWOP》的技術與視覺呈現給予高度肯定，同時引發關於 AI 競速意義的討論。
觀眾普遍讚賞影片中 AI 生成的動畫質感、音樂搭配以及幽默的敘事風格，認為製作非常用心。
許多觀眾對《QWOP》這款經典高難度遊戲感到懷舊，並認同該遊戲的操作極具挑戰性。
部分觀眾認為 AI 破紀錄缺乏人類競技的意義，另一部分則對 AI 學習過程與成果感到驚奇與有趣。
觀眾對於 AI 訓練過程中的技術細節（如區域最大值問題）以及為何不直接參考人類動作影片感到好奇。
部分觀眾對於遊戲中出現的欄杆與地形感到陌生，甚至質疑影片中呈現的遊戲機制與記憶中的不同。
本摘要僅基於提供的 39 則留言樣本，不代表全體觀眾觀點。