DeepMind潛心兩年打造的AlphaStar，以5比0的比分，決定性地?fù)魯×耸澜缟献顝?qiáng)大的職業(yè)星際爭霸玩家之一，攻破了人類難度最高的游戲，又一個(gè)里程碑！

AlphaStar橫空出世！

剛剛，DeepMind在推出AlphaGo之后，又把打造兩年的AlphaStar推上歷史的舞臺，創(chuàng)造出第一個(gè)打敗星際爭霸2頂級職業(yè)選手的AI。

DeepMind昨晚放出在12月19日舉行的一系列測試比賽錄像，AlphaStar在與隊(duì)友達(dá)里奧·溫施(Dario " TLO " Wunsch)進(jìn)行了一場成功的基準(zhǔn)測試后，以5比0的比分，決定性地?fù)魯×耸澜缟献顝?qiáng)大的職業(yè)星際爭霸玩家之一。

雖然在像雅達(dá)利、馬里奧、雷神爭霸3競技場和Dota 2這樣的電子游戲中，AI已經(jīng)取得了巨大的成功，但直到現(xiàn)在，AI仍在努力應(yīng)對星際爭霸的復(fù)雜性。

《星際爭霸2》由暴雪娛樂公司出品，故事背景設(shè)定在一個(gè)虛構(gòu)的科幻世界中，具有豐富的多層次游戲玩法，旨在挑戰(zhàn)人類的智力。因?yàn)楦叨葟?fù)雜性和策略性，這款游戲成為史上規(guī)模最大、最成功的游戲之一，玩家在電子競技比賽中競爭了20多年。

這次AI擊敗頂級選手，真正攻破了人類智力的最后陣地！

10段錄像見證AlphaStar大殺特殺，人類玩家現(xiàn)場絕地反擊

賽前，DeepMind召集了兩位人類職業(yè)玩家選手，每位選手分別與AlphaStar對戰(zhàn)五回合。而后在現(xiàn)場，人類與AI進(jìn)行了最終的博弈，挽回了顏面，我們一起來看下。

這次終極1V1人機(jī)大戰(zhàn)采用的地圖是Catalyst LE，游戲版本為4.6.2。

與AlphaStar對戰(zhàn)的人類選手，分別是TLO和MaNa。

TLO是現(xiàn)役職業(yè)選手德國人Dario Wünsch，所屬荷蘭戰(zhàn)隊(duì) “Team Liquid”。他在2018年WSC Circuit中排名44。由于經(jīng)常全力在Twitch直播，TLO在玩家中很出名。

另一位對戰(zhàn)選手，是今年25歲的現(xiàn)役職業(yè)玩家“MaNa”，有波蘭王牌之稱。MaNa慣用神族，在剛剛結(jié)束的IEM科隆站比賽中，MaNa在小組賽中以2:1戰(zhàn)勝了韓國選手Jaedong。

MaNa目前在2018 WSC Circuit上排名第13，他在去年WCS Austin中獲得亞軍，在2015年WCS第三季中也獲得亞軍。更早一些，MaNa得過Dreamhack2012夏季賽的冠軍。

接下來是10場比賽錄像中的精彩片段，以及現(xiàn)場的精彩打斗。

Round 1：7分鐘，AlphaStar終結(jié)人類頂級玩家

開局，人類玩家率先派出農(nóng)民一位，在AI家里來回探路。

2分50秒，人類玩家派出2名高階圣堂開始了第一波騷擾，AlphaStar派出部分壯丁對其進(jìn)行狙擊剿滅。

隨后人類玩家騷擾不斷，與此同時(shí)AI也開始了反擊，派出了一名追蹤者攻擊主基地。

而不知不覺中，AI已經(jīng)攢出了6個(gè)追蹤者，并大步邁向人類玩家分基地。

雙方開始了第一波GANK，但LTO派出家里老少還算抵御住了這次攻擊。然而，AI的補(bǔ)給兵已經(jīng)到達(dá)戰(zhàn)場。LTO已是無力回天。

Round2：人類玩家侵略性強(qiáng)，AI步步為營，精準(zhǔn)計(jì)算

依舊，雙方前期小打小鬧不斷，6分鐘左右，AlphaStar率先派出10名追蹤者對LTO進(jìn)行攻擊，人類玩家防御成功。

在此期間，AlphaStar做出了減少氣體采集的策略。

而后，人類玩家和AI都各自發(fā)展經(jīng)濟(jì)、制造兵種，在全場小范圍迂回作戰(zhàn)。

在14分時(shí)，致勝點(diǎn)出現(xiàn)了，看似人類玩家追打AI，卻突然被其它兩路而來的兵源切割，慘遭毒手。

人類玩家無力回天，AlphaStar再次取勝。

Round3-5：AlphaStar兵臨城下，各路圍剿，簡直虐待

接下來播放的視頻是另一位頂級人類玩家MaNa的戰(zhàn)況。

來看下錄播視頻中的三段完虐場景吧。

遛著農(nóng)民絞殺。

快推一波流。

三路圍剿，兵敗峽谷。

現(xiàn)場較量：人類玩家絕地大反擊，將AI趕盡殺絕

可能是因?yàn)锳I太厲害，人類需要證明自己的實(shí)力。最后，職業(yè)玩家MaNa在現(xiàn)場與AlphaStar實(shí)時(shí)較量了一場。

與錄像相比，此次人類選手采取了較為保守的策略，選擇發(fā)展經(jīng)濟(jì)、“招兵買馬”；而AlphaStar則率先發(fā)起挑釁。

而且迂迂回回不斷進(jìn)行騷擾，基地周邊以及探路的農(nóng)民也遭到射殺。

在保守打法的基礎(chǔ)上，MaNa已經(jīng)積攢了一定的兵力，在發(fā)現(xiàn)AlphaStar兵力出巢瞬間，立即發(fā)動(dòng)兵力進(jìn)行攻擊。同時(shí)也不忘建分基地，雙線操作，十分穩(wěn)。

而此時(shí)，AlphaStar的兵力并沒有及時(shí)趕回救場，MaNa借此機(jī)會直接拆掉了分基地。

面對剛剛趕回的AlphaStar兵團(tuán)，MaNa一頓操作猛如虎，直接擊退其兵力，而后果斷直搗黃龍。

最終，人類絕地反擊，戰(zhàn)勝了AI。

來自全球的看官瞬間不淡定了，評論區(qū)已然炸成鍋——為人類的獲勝歡呼雀躍——這或許也是為了挽回人類最后的顏面。

AlphaStar煉成記：每個(gè)代理使用16個(gè)TPU

AlphaStar的行為是由一個(gè)深層神經(jīng)網(wǎng)絡(luò)生成的，該網(wǎng)絡(luò)接收來自原始游戲interface的輸入數(shù)據(jù)(單元及其屬性的列表)，并輸出構(gòu)成游戲內(nèi)操作的指令序列。更具體地說，神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)對單元應(yīng)用一個(gè)轉(zhuǎn)換器軀干，結(jié)合一個(gè)LSTM核心、一個(gè)帶有指針網(wǎng)絡(luò)的自回歸策略頭和一個(gè)集中的值基線。

DeepMind相信，這種先進(jìn)的模型將有助于解決機(jī)器學(xué)習(xí)研究中涉及長期序列建模和大輸出空間(如翻譯、語言建模和視覺表示)的許多其他挑戰(zhàn)。

AlphaStar還使用了一種新的多智能體學(xué)習(xí)算法。神經(jīng)網(wǎng)絡(luò)最初是由暴雪公司發(fā)布的匿名人類游戲中的監(jiān)督學(xué)習(xí)訓(xùn)練出來的。這使得AlphaStar能夠通過模仿StarCraft ladder上玩家使用的基本微觀和宏觀策略。這個(gè)最初的代理在95%的游戲中擊敗了內(nèi)置的“精英”AI關(guān)卡——即人類玩家的黃金關(guān)卡。

然后用它們來建立一個(gè)多主體強(qiáng)化學(xué)習(xí)過程。一個(gè)連續(xù)的聯(lián)盟被創(chuàng)造出來，聯(lián)盟的代理——競爭者——相互之間玩游戲，就像人類在StarCraft ladder玩游戲一樣。

新的競爭者通過從現(xiàn)有競爭者中進(jìn)行分支，動(dòng)態(tài)地添加到聯(lián)盟中；然后每個(gè)代理從與其他競爭對手的游戲中學(xué)習(xí)。這種新的訓(xùn)練形式將基于人群的強(qiáng)化學(xué)習(xí)理念進(jìn)一步發(fā)揚(yáng)光大，創(chuàng)造了一個(gè)不斷探索《星際爭霸》游戲玩法巨大戰(zhàn)略空間的過程，同時(shí)確保每個(gè)競爭對手都能在最強(qiáng)的戰(zhàn)略面前表現(xiàn)出色，并且不會忘記如何擊敗較早的戰(zhàn)略。

隨著聯(lián)賽的發(fā)展和新的競爭對手的產(chǎn)生，新的對抗策略出現(xiàn)了，能夠擊敗以前的策略。當(dāng)一些新的競爭者執(zhí)行一個(gè)僅僅是對以前的策略的改進(jìn)的策略時(shí)，另一些人發(fā)現(xiàn)了包含全新構(gòu)建訂單、單元組合和微觀管理計(jì)劃的全新策略。

例如，在AlphaStar聯(lián)盟早期，一些“俗套”的策略，如使用光子炮或黑暗圣堂武士進(jìn)行非?？焖俚目旃?，受到了玩家的青睞。隨著訓(xùn)練的進(jìn)行，這些冒險(xiǎn)的策略被拋棄了，產(chǎn)生了其他的策略：例如，通過過度擴(kuò)張擁有更多工人的基地來獲得經(jīng)濟(jì)實(shí)力，或者犧牲兩個(gè)神諭來破壞對手的工人和經(jīng)濟(jì)。這一過程類似于《星際爭霸》發(fā)行多年以來玩家發(fā)現(xiàn)新策略并能夠擊敗之前所青睞的方法的過程。

為了鼓勵(lì)聯(lián)盟的多樣性，每個(gè)代理都有自己的學(xué)習(xí)目標(biāo)：例如，這個(gè)代理的目標(biāo)應(yīng)該是打敗哪些競爭對手，以及影響代理如何發(fā)揮的任何其他內(nèi)部動(dòng)機(jī)。一個(gè)代理可能有打敗某個(gè)特定競爭對手的目標(biāo)，而另一個(gè)代理可能必須打敗整個(gè)競爭對手分布，但這是通過構(gòu)建更多特定的游戲單元來實(shí)現(xiàn)的。這些學(xué)習(xí)目標(biāo)在培訓(xùn)過程中得到了調(diào)整。

最好的結(jié)果可能是通過手工制作系統(tǒng)的主要元素，對游戲規(guī)則施加重大限制，賦予系統(tǒng)超人的能力，或者在簡化的地圖上進(jìn)行游戲。即使有了這些改進(jìn)，也沒有一個(gè)系統(tǒng)能與職業(yè)選手的技術(shù)相媲美。相比之下，AlphaStar在星際爭霸2中玩的是完整的游戲，它使用的深度神經(jīng)網(wǎng)絡(luò)是通過監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)直接從原始游戲數(shù)據(jù)中訓(xùn)練出來的。

為了訓(xùn)練AlphaStar，DeepMind使用谷歌的v3版本的TPU構(gòu)建了一個(gè)高度可伸縮的分布式訓(xùn)練設(shè)置，它支持大量代理從數(shù)以千計(jì)的星際爭霸2并行實(shí)例中學(xué)習(xí)。AlphaStar聯(lián)賽運(yùn)行了14天，每個(gè)代理使用16個(gè)TPU。在訓(xùn)練期間，每個(gè)代理都經(jīng)歷了長達(dá)200年的星際爭霸實(shí)時(shí)游戲。最終的AlphaStar代理由聯(lián)盟的Nash分布組成——換句話說，已經(jīng)發(fā)現(xiàn)的最有效的策略組合——運(yùn)行在單個(gè)桌面GPU上。

另外，這項(xiàng)工作的論文也即將發(fā)布。

AlphaStar實(shí)戰(zhàn)技巧分析

講完AlphaStar的訓(xùn)練過程，再來分析下實(shí)戰(zhàn)過程。

像TLO和MaNa這樣的職業(yè)星際爭霸玩家，平均每分鐘可以做數(shù)百個(gè)操作(APM)。這遠(yuǎn)遠(yuǎn)少于大多數(shù)現(xiàn)有的機(jī)器人，它們獨(dú)立控制每個(gè)單元，并始終保持?jǐn)?shù)千甚至數(shù)萬個(gè)APM。

在與TLO和MaNa的比賽中，AlphaStar的平均APM約為280，遠(yuǎn)低于職業(yè)選手，不過它的動(dòng)作可能更精確。

造成APM較低的部分原因是AlphaStar使用回放開始訓(xùn)練，因此模仿了人類玩游戲的方式。此外，AlphaStar的反應(yīng)在觀察和行動(dòng)之間的平均延遲350ms。

在與TLO和MaNa對弈過程中，AlphaStar通過原始界面與星際爭霸2引擎連接，這就意味著它可以直接在地圖上觀察自己的屬性和對手的可見單位，而無需移動(dòng)相機(jī)。

相比之下，人類玩家必須明確管理“注意力經(jīng)濟(jì)(economy of attention)”，并決定在哪里對焦相機(jī)。

然而，對AlphaStar游戲的分析表明，它管理著一種隱性的注意力焦點(diǎn)。平均而言，智能體每分鐘“切換內(nèi)容”約30次，類似于MaNa或TLO的操作。

此外，在比賽之后，DeepMind還開發(fā)了AlphaStar的第二個(gè)版本。和人類玩家一樣，這個(gè)版本的AlphaStar會選擇何時(shí)何地移動(dòng)攝像頭，它的感知僅限于屏幕上的信息，行動(dòng)地點(diǎn)也僅限于它的可視區(qū)域。

DeepMind訓(xùn)練了兩個(gè)新智能體，一個(gè)使用raw interface，另一名必須學(xué)會控制攝像頭，以對抗AlphaStar League。

每個(gè)智能體最初都是通過從人類數(shù)據(jù)中進(jìn)行監(jiān)督學(xué)習(xí)，然后按照強(qiáng)化學(xué)習(xí)過程進(jìn)行訓(xùn)練的。使用攝像頭界面的AlphaStar版本幾乎和raw interface一樣強(qiáng)大，在DeepMind內(nèi)部排行榜上超過了7000 MMR。

在表演賽中，MaNa用camera interface擊敗了AlphaStar的一個(gè)原型版本，這個(gè)interface只訓(xùn)練了7天。

這些結(jié)果表明，AlphaStar對MaNa和TLO的成功實(shí)際上是由于優(yōu)越的宏觀和微觀戰(zhàn)略決策，而不是快速的操作、更快的反應(yīng)時(shí)間或raw interface。

人類挑戰(zhàn)20年，AI攻下星際爭霸有五大困難

游戲規(guī)則規(guī)定，玩家必須選擇三種不同的外星“種族”中的一種——蟲族、神族或人族，它們都有各自的特點(diǎn)和能力（盡管職業(yè)玩家往往只專注于一種種族）。每個(gè)玩家從一些工作單元開始，收集基本資源來構(gòu)建更多的單元和結(jié)構(gòu)并創(chuàng)造新技術(shù)，這些反過來又允許玩家獲取其他資源，建立更復(fù)雜的基地和結(jié)構(gòu)，并開發(fā)新的能力，可以用來智勝對手。

游戲的難度在于，要想取勝，玩家必須在宏觀經(jīng)濟(jì)的宏觀管理和微觀個(gè)體的控制之間保持謹(jǐn)慎的平衡。

平衡短期和長期目標(biāo)以及適應(yīng)意外情況的需要對往往脆弱和缺乏靈活性的系統(tǒng)提出了巨大的挑戰(zhàn)。要想解決這個(gè)問題，需要突破AI研究的幾個(gè)挑戰(zhàn)，包括:

游戲理論：《星際爭霸》是一款像剪刀石頭布一樣是沒有最佳策略的游戲。因此，AI過程需要不斷探索和拓展戰(zhàn)略知識的前沿。

不完全信息：不像國際象棋或圍棋那樣，玩家什么信息都能看到，關(guān)鍵信息對星際玩家是隱藏的，必須通過“偵察”來主動(dòng)發(fā)現(xiàn)。

長期規(guī)劃：像許多現(xiàn)實(shí)世界中的問題一樣，因果關(guān)系不是瞬間產(chǎn)生的。游戲也可以在任何地方花費(fèi)一個(gè)小時(shí)完成，這意味著在游戲早期采取的行動(dòng)可能在很長一段時(shí)間內(nèi)都不會有回報(bào)。

實(shí)時(shí)：不像傳統(tǒng)的棋類游戲，玩家在接下來的動(dòng)作之間交替，《星際爭霸》玩家必須隨著游戲時(shí)間的推移不斷地執(zhí)行動(dòng)作。

大型活動(dòng)空間：數(shù)百個(gè)不同的單元和建筑必須同時(shí)被實(shí)時(shí)控制，從而形成一個(gè)可能性組合空間。

正是由于這些巨大的挑戰(zhàn)，星際爭霸已經(jīng)成為人工智能研究的“大挑戰(zhàn)”。自2009年發(fā)布BroodWar API以來，《星際爭霸》和《星際爭霸2》的競賽一直在進(jìn)行，包括AIIDE星際爭霸AI競賽、CIG星際爭霸競賽、學(xué)生星際爭霸AI競賽和《星際爭霸2》AI階梯賽。

DeepMind在2016年和2017年與暴雪合作發(fā)布了一套名為PySC2的開源工具，其中包括有史以來最大的一組匿名游戲回放。

現(xiàn)在，經(jīng)過兩年的打造，繼AlphaGo之后，DeepMind剛剛問世的AlphaStar已經(jīng)取得了飛速進(jìn)展。