碾壓99.8%人類對手,三種族都達宗師級!星際AI登上Nature

來源丨量子位（ID：QbitAI）

作者丨乾明 魚羊 慄子

僅剩0.2%的星際2玩家，還沒有被AI碾壓。

這是匿名混入天梯的AlphaStar，交出的最新成績單。

同時，DeepMind也在Nature上完整披露了AlphaStar的當前戰力和全套技術：

AlphaStar，已經超越了99.8%的人類玩家，在神族、人族和蟲族三個種族上都達到了宗師（Grandmaster）級別。

在論文裡，我們還發現了特別的訓練姿勢：

不是所有智能體都為了贏

DeepMind在博客裡說，發表在Nature上的AlphaStar有四大主要更新：

一是約束：現在AI視角和人類一樣，動作頻率的限制也更嚴了。

二是人族神族蟲族都能1v1了，每個種族都是一個自己的神經網絡。

三是聯賽訓練完全是自動的，是從監督學習的智能體開始訓練的，不是從已經強化學習過的智能體開始的。

四是戰網成績，AlphaStar在三個種族中都達到了宗師水平，用的是和人類選手一樣的地圖，所有比賽都有回放可看。

具體到AI的學習過程，DeepMind強調了特別的訓練目標設定：

不是每個智能體都追求贏面的最大化。

因為那樣智能體在自我對戰 (Self-Play) 過程中，很容易陷入某種特定的策略，只在特定的情況下有效，那面對複雜的遊戲環境時，表現就會不穩定了。

於是，團隊參考了人類選手的訓練方法，就是和其他玩家一起做針對性訓練：一隻智能體可以通過自身的操作，把另一隻智能體的缺陷暴露出來，這樣便能幫對方練出某些想要的技能。

這樣便有了目標不同的智能體：第一種是主要智能體，目標就是贏，第二種負責挖掘主要智能體的不足，幫它們變得更強，而不專注於提升自己的贏率。DeepMind把第二種稱作「剝削者 (Exploiter) 」，我們索性叫它「陪練」。

AlphaStar學到的各種複雜策略，都是在這樣的過程中修煉得來的。

比如，藍色是主要玩家，負責贏，紅色是幫它成長的陪練。小紅髮現了一種cannon rush技能，小藍沒能抵擋住：

然後，一隻新的主要玩家 (小綠) 就學到了，怎樣才能成功抵禦小紅的cannon rush技能：

同時，小綠也能打敗之前的主要玩家小藍了，是通過經濟優勢，以及單位組合與控制來達成的：

後面，又來了另一隻新的陪練 (小棕) ，找到了主要玩家小綠的新弱點，用隱刀打敗了它：

循環往復，AlphaStar變得越來越強大。

至於算法細節，這次也完整展現了出來。

AlphaStar技術，最完整披露

許多現實生活中的AI應用，都涉及到多個智能體在複雜環境中的相互競爭和協調合作。

而針對星際爭霸這樣的即時戰略（RTS）遊戲的研究，就是解決這個大問題過程中的一個小目標。

也就是說，星際爭霸的挑戰，實際上就是一種多智能體強化學習算法的挑戰。

AlphaStar學會打星際，還是靠深度神經網絡，這個網絡從原始遊戲界面接收數據 (輸入) ，然後輸出一系列指令，組成遊戲中的某一個動作。

AlphaStar會通過概覽地圖和單位列表觀察遊戲。

採取行動前，智能體會輸出要發出的行動類型（例如，建造），將該動作應用於誰，目標是什麼，以及何時發出下一個行動。

動作會通過限制動作速率的監視層發送到遊戲中。

而訓練，則是通過監督學習和強化學習來完成的。

最開始，訓練用的是監督學習，素材來自暴雪發布的匿名人類玩家的遊戲實況。

這些資料可以讓AlphaStar通過模仿星際天梯選手的操作，來學習遊戲的宏觀和微觀策略。

最初的智能體，遊戲內置的精英級 (Elite) AI就能擊敗，相當於人類的黃金段位 (95%) 。

而這個早期的智能體，就是強化學習的種子。

在它的基礎之上，一個連續聯賽 (Continuous League) 被創建出來，相當於為智能體準備了一個競技場，裡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，是把從前基於種群 (Population-Based) 的強化學習思路又深化了一些，製造出一種可以對巨大的策略空間進行持續探索的過程。

這個方法，在保證智能體在策略強大的對手面前表現優秀的同時，也不忘怎樣應對不那麼強大的早期對手。

隨著智能體聯賽不斷進行，新智能體的出生，就會出現新的反擊策略 (Counter Strategies) ，來應對早期的遊戲策略。

一部分新智能體執行的策略，只是早期策略稍稍改進後的版本；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。

除此之外，要鼓勵聯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該設定成打擊哪些對手，比如該用哪些內部動機來影響一個智能體的偏好。

聯盟訓練的魯棒性

而且，智能體的學習目標會適應環境不斷改變。

神經網絡給每一個智能體的權重，也是隨著強化學習過程不斷變化的。而不斷變化的權重，就是學習目標演化的依據。

權重更新的規則，是一個新的off-policy強化學習算法，裡面包含了經驗重播 (Experience Replay) ，自我模仿學習 (Self-Imitation Learning) 以及策略蒸餾 (Policy Distillation) 等等機制。

歷時15年，AI制霸星際

《星際爭霸》作為最有挑戰的即時戰略（RTS）遊戲之一，遊戲中不僅需要協調短期和長期目標，還要應對意外情況，很早就成為了AI研究的「試金石」。

因為其面臨的是不完美信息博弈局面，挑戰難度巨大，研究人員需要花費大量的時間，去克服其中的問題。

DeepMind在Twitter中表示，AlphaStar能夠取得當前的成績，研究人員已經在《星際爭霸》系列遊戲上工作了15年。

但DeepMind的工作真正為人所知，也就是這兩年的事情。

2017年，AlphaGo打敗李世石的第二年後，DeepMind與暴雪合作發布了一套名為PySC2的開源工具，在此基礎上，結合工程和算法突破，進一步加速對星際遊戲的研究。

之後，也有不少學者圍繞星際爭霸進行了不少研究。比如南京大學的俞揚團隊、騰訊AI Lab、加州大學伯克利分校等等。

到今年1月，AlphaStar迎來了AlphaGo時刻。

在與星際2職業選手的比賽中，AlphaStar以總比分10-1的成績制霸全場，人類職業選手LiquidMaNa只在它面前堅持了5分36秒，就GG了。

全能職業選手TLO在落敗後感嘆，和AlphaStar比賽很難，不像和人在打，有種手足無措的感覺。

半年後，AlphaStar再度迎來進化。

DeepMind將其APM (手速) 、視野都跟人類玩家保持一致的情況下，實現了對神族、人族、蟲族完全駕馭，還解鎖了許多地圖。

與此同時，並宣布了一個最新動態：AlphaStar將登錄遊戲平臺戰網，匿名進行天梯匹配。

現在，伴隨著最新論文發布，AlphaStar的最新戰力也得到公布：擊敗了99.8%的選手，達到宗師級別。

DeepMind在博客中表示，這些結果提供了強有力的證據，證明了通用學習技術可以擴展人工智慧系統，使之在複雜動態的、涉及多個參與者的環境中工作。

而伴隨著星際2取得如此亮眼的成績，DeepMind也開始將目光投向更加複雜的任務上了。

CEO哈薩比斯說：

星際爭霸15年來一直是AI研究人員面臨的巨大挑戰，因此看到這項工作被《自然》雜誌認可是非常令人興奮的。

這些令人印象深刻的成果，標誌著我們朝目標——創造可加速科學發現的智能系統——邁出了重要的一步。

那麼，DeepMind下一步要做什麼？

哈薩比斯也多次說過，星際爭霸「只是」一個非常複雜的遊戲，但他對AlphaStar背後的技術更感興趣。

但也有人認為，這一技術非常適合應用到軍事用途中。

不過，從谷歌與DeepMind 的態度中，這一技術更多的會聚焦在科學研究上。

其中包含的超長序列的預測，比如天氣預測、氣候建模。

或許對於這樣的方向，最近你不會陌生。

因為谷歌剛剛實現的量子優越性，應用方向最具潛力的也是氣候等大問題。

現在量子計算大突破，DeepMind AI更進一步。

未來更值得期待。你說呢？

One more thing

雖然AlphaStar戰績斐然，但有些人它還打不贏。

當時AlphaStar剛進天梯的時候，人類大魔王Serral就公開嘲諷，它就是來搞笑的。

但人家的確有實力，現在依舊能正面剛AI。

不過，敢這樣說話的高手，全球就只有一個。

傳送門

論文預印版：

https://storage.googleapis.com/deepmind-media/research/alphastar/AlphaStar_unformatted.pdf

博客文章：

https://deepmind.com/blog/article/AlphaStar-Grandmaster-level-in-StarCraft-II-using-multi-agent-reinforcement-learning

對戰錄像：

https://deepmind.com/research/open-source/alphastar-resources

—完—

本文經授權轉載自量子位（ID：QbitAI），如需二次轉載請聯繫原作者