星際2職業(yè)高手首次被AI擊潰，AlphaStar一戰(zhàn)成名
2019-01-25 來源：網(wǎng)絡(luò)采編 編輯：顏悅眉 分類：星際爭霸2
5分36秒的戰(zhàn)斗后，LiquidMaNa打出：GG。
DeepMind開發(fā)的全新AI程序AlphaStar，在今天凌晨的《星際爭霸2》人機大戰(zhàn)直播節(jié)目中，輕松戰(zhàn)勝2018 WCS Circuit排名13、神族最強10人之一的MaNa。
實際上，AlphaStar以10-1的戰(zhàn)績，全面擊潰了人類職業(yè)高手。
戰(zhàn)敗的不止MaNa，還有另一位高手TLO。
人工智能在《星際爭霸2》上的進步速度，遠遠超過了此前外界的預(yù)期。畢竟與下圍棋這件事相比，星際2要難得多。
在圍棋世界，動作空間只有361種，而星際2大約是1026。
與圍棋不同，星際玩家面對的是不完美信息博弈。“戰(zhàn)爭迷霧”意味著玩家的規(guī)劃、決策、行動，要一段時間后才能看到結(jié)果。
這意味著，AI需要學到長遠的布局謀篇的策略能力。
即便如此，AlphaStar最終還是學會了如何打星際2。即便此次黃旭東保持克制、誰也沒奶，但既定的事實已經(jīng)無法更改。
直播進行到一半，就有網(wǎng)友在他的微博下留言：比國足輸伊朗還慘。
盡管10戰(zhàn)連敗，人類職業(yè)高手仍然對人工智能不吝稱贊：不可思議。MaNa說，我從AI身上學到了很多。以及，今天最后一局MaNa也為人類爭取到了僅有的勝利！
賽后，TLO的說法跟李世乭輸給AlphaGo后很像。他說：相信我，和AlphaStar比賽很難。不像和人在打，有種手足無措的感覺。他還說，每局比賽都是完全不一樣的套路。
為什么AI這么強？別的先不展開講，這里只說一個點。其實在比賽之前，AlphaStar的訓練量，相當于打了200年實時對抗的星際2。
總而言之，谷歌DeepMind歷時兩年，終于讓人工智能更進一步，AlphaGo有了新的接班人AlphaStar。
DeepMind CEO哈薩比斯說，AlphaStar的技術(shù)未來可用于預(yù)測天氣、氣候建模等需要very long sequences的應(yīng)用場景。
一次里程碑意義的戰(zhàn)斗，落下帷幕。
一次人類的新征程，正式開場。
AlphaStar：10-1
實際上，今天的人機大戰(zhàn)主要內(nèi)容并不是直播，而是回顧人機大戰(zhàn)的結(jié)果。簡單交待一下相關(guān)信息，比賽在Catalyst地圖上進行，這張地圖中文名叫“匯龍島”。
圖上設(shè)置了很多隘口和高地，網(wǎng)友說，這張圖群龍盤踞，大戰(zhàn)一觸即發(fā)，官方稱“能創(chuàng)造出許多有意思的進攻路徑和防守陣形”。
游戲版本是去年10月的4.6.2，雙方都使用神族（星靈）。
第一場比賽，發(fā)生在去年12月12日。
AlphaStar對TLO。
第一局人類選手TLO開局兩分鐘后就率先發(fā)難，不過AlphaStar扛下來，并且逐漸扭轉(zhuǎn)了戰(zhàn)局，迅速累積起資源優(yōu)勢。
5分鐘左右，AlphaStar以追獵者為主要作戰(zhàn)單位，開始向TLO發(fā)起試探性的攻擊。并且在隨后的時間里，持續(xù)對TLO展開騷擾，直至取勝。
DeepMind介紹，比賽中，實際上AlphaGo的APM比TLO要低。AlphaStar的APM中值是277，而TLO的APM中值是390。而大部分其他bot的APM，都高達幾千甚至數(shù)萬。
前三局基本都是這樣。TLO說第四局就像換了個AI一樣，打法完全變了，很接近典型神族打法。
當然，他又輸了。這個感覺沒錯，其實他每次對陣的AI都不一樣……
最后的結(jié)果是0-5，TLO一局沒贏。不過他說：如果我多練練神族，我能輕易打敗這些AI。畢竟TLO這些年一直主要在練蟲族。
五局比賽打完，DeepMind團隊為了慶祝喝了點酒，產(chǎn)生了一個大膽的想法：
再訓練訓練，和玩神族的職業(yè)選手打一場。
于是，快到圣誕節(jié)的時候，他們請來了Liquid的神族選手MaNa。
第二場比賽，發(fā)生在去年12月19日。
據(jù)說，MaNa五歲就開始打星際了。
在對戰(zhàn)MaNa之前，AlphaStar又訓練了一個星期。雙方展開較量之前，MaNa只知道TLO輸了，不知道是5-0，而且，明顯沒有TLO上次來那么緊張。
面對神族最強10人之一，DeepMind認為比賽會很精彩，但對勝利沒什么自信。
雙方第一局對決，AlphaStar在地圖的左上角，MaNa在右下。4分鐘，AlphaStar派出一隊追獵者，開始進攻�；旧纤闶且徊ň屯屏薓aNa。
正如開始所說，5分36秒，MaNa打出GG。
然后第二局也輸了。這時候MaNa緊張起來，第三局決心翻盤。7分30秒，AlphaStar出動了一支大軍打到MaNa家，MaNa GG。
最精彩的是第四局，MaNa的操作讓現(xiàn)場解說嘆為觀止，他自己賽后也坦言”真是盡力了“。但最后，他的高科技軍團在一群追獵者的360度包圍下，全滅。MaNa打出了GG。
而且，AlphaStar完成360度包圍這一高難度操作時，APM只有250左右。
第四局全程：
需要說明的是，其實在這局比賽中，AlphaStar的APM幾乎已經(jīng)失控，幾度飆到1000多。量子位抓到了一些這樣的瞬間。
MaNa說，輸了好失望，我能出的單位都出了，最后輸給了一群追獵者？他還說，AlphaStar的微操太厲害了。incredible。跟AI學東西，這種經(jīng)歷挺好。
人類扳回一城
今天的直播的最后，是現(xiàn)場的表演局（Exhibition game），直播MaNa對戰(zhàn)AlphaStar。
在這場比賽中，MaNa采用了一種更激進的打法，一開局就造了更多的農(nóng)民（探機），這說不定是上個月剛剛跟AlphaStar學來的戰(zhàn)術(shù)。
12分鐘后，MaNa一路拆掉AlphaStar的各種建筑，擊敗了無法打出GG的AlphaStar。
總算是幫人類挽回一些顏面。
這場比賽，全程在此：
另外DeepMind也放出了全部11局對決的視頻，有興趣可以前往這個地址查看：
https://deepmind.com/research/alphastar-resources/
之前的10局比賽，DeepMind還拍成了一個紀錄片。
解讀AlphaStar
DeepMind和暴雪周三發(fā)出預(yù)告后，熱情的網(wǎng)友們就已經(jīng)把各種可能的技術(shù)方案猜了一遍。
現(xiàn)在答案揭曉：
AlphaStar學會打星際，全靠深度神經(jīng)網(wǎng)絡(luò)，這個網(wǎng)絡(luò)從原始游戲界面接收數(shù)據(jù) (輸入) ，然后輸出一系列指令，組成游戲中的某一個動作。
再說得具體一些，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對星際里的那些單位，應(yīng)用一個Transformer，再結(jié)合一個深度LSTM核心，一個自動回歸策略 (在頭部) ，以及一個集中值基線 (Centralised Value Baseline)。
DeepMind團隊相信，這個進化了的模型，可以為許多其他機器學習領(lǐng)域的難題帶來幫助：主要針對那些涉及長期序列建模、輸出空間很大的問題，比如語言建模和視覺表示。
AlphaStar還用了一個新的多智能體學習算法。
這個神經(jīng)網(wǎng)絡(luò)，經(jīng)過了監(jiān)督學習和強化學習的訓練。
最開始，訓練用的是監(jiān)督學習，素材來自暴雪發(fā)布的匿名人類玩家的游戲?qū)崨r。
這些資料可以讓AlphaStar通過模仿星際天梯選手的操作，來學習游戲的宏觀和微觀策略。
最初的智能體，游戲內(nèi)置的精英級 (Elite) AI就能擊敗，相當于人類的黃金段位 (95%) 。
而這個早期的智能體，就是強化學習的種子。
在它的基礎(chǔ)之上，一個連續(xù)聯(lián)賽 (Continuous League) 被創(chuàng)建出來，相當于為智能體準備了一個競技場，里面的智能體互為競爭對手，就好像人類在天梯上互相較量一樣：
從現(xiàn)有的智能體上造出新的分支，就會有越來越多的選手不斷加入比賽。新的智能體再從與對手的競爭中學習。
這種新的訓練形式，是把從前基于種群 (Population-Based) 的強化學習思路又深化了一些，制造出一種可以對巨大的策略空間進行持續(xù)探索的過程。
這個方法，在保證智能體在策略強大的對手面前表現(xiàn)優(yōu)秀的同時，也不忘怎樣應(yīng)對不那么強大的早期對手。
隨著智能體聯(lián)賽不斷進行，新智能體的出生，就會出現(xiàn)新的反擊策略 (Counter Strategies) ，來應(yīng)對早期的游戲策略。
一部分新智能體執(zhí)行的策略，只是早期策略稍稍改進后的版本；而另一部分智能體，可以探索出全新的策略，完全不同的建造順序，完全不同的單位組合，完全不同的微觀微操方法。
早期的聯(lián)賽里，一些俗氣的策略很受歡迎，比如用光子炮和暗黑圣堂武士快速rush。
這些風險很高的策略，在訓練過程中就被逐漸拋棄了。同時，智能體會學到一些新策略；比如通過增加工人來增加經(jīng)濟，或者犧牲兩個先知來來破壞對方的經(jīng)濟。
這個過程就像人類選手，從星際爭霸誕生的那年起，不斷學到新的策略，摒棄舊的策略，直到如今。
除此之外，要鼓勵聯(lián)賽中智能體的多樣性，所以每個智能體都有不同的學習目標：比如一個智能體的目標應(yīng)該設(shè)定成打擊哪些對手，比如該用哪些內(nèi)部動機來影響一個智能體的偏好。
而且，智能體的學習目標會適應(yīng)環(huán)境不斷改變。
神經(jīng)網(wǎng)絡(luò)給每一個智能體的權(quán)重，也是隨著強化學習過程不斷變化的。而不斷變化的權(quán)重，就是學習目標演化的依據(jù)。
權(quán)重更新的規(guī)則，是一個新的off-policy演員評論家強化學習算法，里面包含了經(jīng)驗重播 (Experience Replay) ，自我模仿學習 (Self-Imitation Learning) 以及策略蒸餾 (Policy Distillation) 等等機制。
為了訓練AlphaStar，DeepMind用谷歌三代TPU搭建了一個高度可擴展的分布式訓練環(huán)境，支持許多個智能體一起從幾千個星際2的并行實例中學習。每個智能體用了16個TPU。
智能體聯(lián)賽進行了14天，這相當于讓每一個智能體都經(jīng)歷了連打200年游戲的訓練時間。
最終的AlphaStar智能體，是聯(lián)賽中所有智能體的策略最有效的融合，并且只要一臺普通的臺式機，一塊普通的GPU就能跑。
AlphaStar打游戲的時候，在看什么、想什么？
上圖，就是DeepMind展示的AI打游戲過程。
原始的觀察里數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)之中，產(chǎn)生一些內(nèi)部激活，這些激活會轉(zhuǎn)化成初步的決策：該做哪些操作、點擊什么位置、在哪建造建筑等等。另外，神經(jīng)網(wǎng)絡(luò)還會預(yù)測各種操作會導(dǎo)致的結(jié)果。
AlphaStar看到的游戲界面，和我們打游戲時看到的小地圖差不多：一個小型完整地圖，能看到自己在地圖上的所有單位、以及敵方所有可見單位。
這和人類相比有一點點優(yōu)勢。人類在打游戲的時候，要明確地合理分配注意力，來決定到底要看哪一片區(qū)域。
不過，DeepMind對AlphaStar游戲數(shù)據(jù)的分析顯示，它觀察地圖時也有類似于人類的注意力切換，會平均每分鐘切換30詞左右關(guān)注的區(qū)域。
這，是12月打的10場游戲的情況。
今天直播中和MaNa對戰(zhàn)的AI，就略有不同。
連勝之后，DeepMind團隊總會有大膽的想法冒出來——他們迭代了第二版AlphaStar，這一版和人類觀察地圖的方式是一樣的，也要不停選擇將視野切換到哪，只能看到屏幕上視野范圍內(nèi)的信息，而且只能在這個范圍內(nèi)操作。
視野切換版AlphaStar經(jīng)過7天訓練，達到了和第一版差不多的水平。
不過，這個版本的智能體原型還是在今天的直播中輸給了MaNa，成為了10-1里的1。
DeepMind對他們的AI仍然充滿信心，他們在博客中說，這個智能體只訓練了7天，希望能在不久的將來，能測試一個完全訓練好了的視野版智能體。
現(xiàn)在，AlphaStar還只能玩神族。DeepMind說，他們?yōu)榱嗽趦?nèi)部測試中減少訓練時間和變量，決定先只玩一個種族。
不過，這不代表它就學不會其他種族。同樣的訓練流程，換個種族還是一樣用。
星際界的樊麾和帶路黨
這次人機大戰(zhàn)背后，有很多人的努力，我們這次重點介紹三個人。
首先是AlphaStar的兩個人類對手。
TLO是一位德國職業(yè)星際2選手，原名Dario Wünsch，1990年7月13日出生�，F(xiàn)在效力于職業(yè)游戲戰(zhàn)隊Liquid。
之前TLO有個稱號：隨機天王。星際2的公測階段，他使用哪個種族都得心應(yīng)手，不過后來，TLO開始逐漸專攻于蟲族。
根據(jù)官方公布的數(shù)據(jù)，TLO在2018 WCS Circuit排名：44。
國內(nèi)關(guān)于TLO的資料，不少都是幾年前的對戰(zhàn)，現(xiàn)在TLO應(yīng)該已經(jīng)在自己職業(yè)生涯的末期，可以算是一位久經(jīng)沙場的老將。
MaNa是一位出生于波蘭的職業(yè)星際2選手，原名Grzegorz Komincz，1993年12月14日出生，目前也效力于Liquid。
與TLO相比，MaNa是一個正值當打之年的選手。
而且，他更擅長的是神族。盡管他打出GG的速度更快……
MaNa去年獲得WCS Austin的第二名。根據(jù)官方公布的數(shù)據(jù)，他在2018 WCS Circuit排名：13。
MaNa和TLO和AlphaStar的對戰(zhàn)，發(fā)生在去年12月。地點在倫敦，就是DeepMind的總部。這不禁讓人想起當年AlphaGo的故事。
AlphaGo名不見經(jīng)傳時，也是悄悄把樊麾請到了倫敦，然后把樊麾殺得有點懷疑“棋”生。然后開始向全世界公布突破性的進展。
TLO和MaNa，應(yīng)該就是星際2界的樊麾了吧。
第三個是AlphaStar的教父：Oriol Vinyals。
他是DeepMind星際2項目的核心負責人。我們在此前的報道里介紹過他。1990年代，十幾歲的Oriol Vinyals成了西班牙《星際爭霸》全國冠軍。
他之所以玩這款科幻策略游戲，是因為比其他打打殺殺的游戲更需要動腦子。維紐斯說：“沒上大學之前，這款游戲就讓我在生活中懷有更強的戰(zhàn)略思維。”
Vinyals的戰(zhàn)略思維的確獲得了回報：在巴塞羅那學習了電信工程和數(shù)學之后，維紐斯去過微軟研究院實習，獲得了加州大學伯克利的計算機博士學位，接著加入谷歌大腦團隊，開始從事人工智能開發(fā)工作，然后又轉(zhuǎn)入谷歌旗下DeepMind團隊。
他又跟“星際爭霸”打起了交道。
但這一次不是他親自玩，而是教給機器人怎么玩。在人工智能成為全球最優(yōu)秀的圍棋選手后，星際成為了下一個攻克目標。
AI打星際的意義
早在2003年人類就開始嘗試用AI解決即時戰(zhàn)略（RTS）游戲問題。那時候AI還連圍棋問題還沒有解決，而RTS比圍棋還要復(fù)雜。
直到2016年，“阿爾法狗”打敗了李世石。DeepMind在解決圍棋問題后，很快把目光轉(zhuǎn)向了《星際2》。
與國際象棋或圍棋不同，星際玩家面對的是“不完美信息博弈”。
在玩家做決策之前，圍棋棋盤上所有的信息都能直接看到。而游戲中的“戰(zhàn)爭迷霧”卻讓你無法看到對方的操作、陰影中有哪些單位。
這意味著玩家的規(guī)劃、決策、行動，要一段時間后才能看到結(jié)果。這類問題在現(xiàn)實世界中具有重要意義。
為了獲勝，玩家必須在宏觀戰(zhàn)略和微觀操作之間取得平衡。
平衡短期和長期目標并適應(yīng)意外情況的需要，對脆弱和缺乏靈活性的系統(tǒng)構(gòu)成了巨大挑戰(zhàn)。
掌握這個問題需要在幾個AI研究挑戰(zhàn)中取得突破，包括:
博弈論：星際爭霸沒有單一的最佳策略。因此，AI訓練過程需要不斷探索和拓展戰(zhàn)略知識的前沿。
不完美信息：不像象棋或圍棋那樣，棋手什么都看得到，關(guān)鍵信息對星際玩家來說是隱藏的，必須通過“偵察”來主動發(fā)現(xiàn)。
長期規(guī)劃：像許多現(xiàn)實世界中的問題一樣，因果關(guān)系不是立竿見影的。游戲可能需要一個小時才能結(jié)束，這意味著游戲早期采取的行動可能在很長一段時間內(nèi)都不會有回報。
實時：不同于傳統(tǒng)的棋類游戲，星際爭霸玩家必須隨著游戲時間的推移不斷地執(zhí)行動作。
更大的操作空間：必須實時控制數(shù)百個不同的單元和建筑物，從而形成可能的組合空間。此外，操作是分層的，可以修改和擴充。
為了進一步探索這些問題，DeepMind與暴雪2017年合作發(fā)布了一套名為PySC2的開源工具，在此基礎(chǔ)上，結(jié)合工程和算法突破，才有了現(xiàn)在的AlphaStar。
除了DeepMind以外，其他公司和高校去年也積極備戰(zhàn)：
4月，南京大學的俞揚團隊，研究了《星際2》的分層強化學習方法，在對戰(zhàn)最高等級的無作弊電腦情況下，勝率超過93%。
9月，騰訊AI Lab發(fā)布論文稱，他們構(gòu)建的AI首次在完整的蟲族VS蟲族比賽中擊敗了星際2的內(nèi)置機器人Bot。
11月，加州大學伯克利分校在星際2中使用了一種新型模塊化AI架構(gòu)，用蟲族對抗電腦難度5級的蟲族時，分別達到 94%（有戰(zhàn)爭迷霧）和 87%（無戰(zhàn)爭迷霧）的勝率。
下一步
今天AI搞定了《星際2》，DeepMind顯然不滿足于此，他們的下一步會是什么？
哈薩比斯在賽后說，雖然星際爭霸“只是”一個非常復(fù)雜的游戲，但他對AlphaStar背后的技術(shù)更感興趣。其中包含的超長序列的預(yù)測，未來可以用在天氣預(yù)測和氣候建模中。
他還透露將在期刊上發(fā)表經(jīng)過同行評審的論文，詳細描述AlphaStar的技術(shù)細節(jié)。一起期待吧~
聲明：中國電競網(wǎng)（5asj.com）登載此文出于傳遞更多信息之目的，并不代表本站立場
