碾压99.8%人类对手，三种族都达宗师级!星际AI登上Nature，技术首次完整披露

pvrdxwsqhl

乾明 鱼羊 栗子 发自 凹非寺 
/ ^2 j- {" e- ?) U+ l; d$ w' g量子位 报道 | 公众号 QbitAI
9 r- K2 S3 C; @; O4 _
1 @: S: r( b- {1 |+ Z/ K0 i

仅剩0.2%的星际2玩家，还没有被AI碾压。
9 S4 D" o* {! H

) Q: A5 C, a. Z

这是匿名混入天梯的

AlphaStar

，交出的最新成绩单。

同时，DeepMind也在

Nature

上

完整披露了AlphaStar的当前战力和全套技术：

AlphaStar

，已经超越了99.8%的人类玩家，在神族、人族和虫族三个种族上都达到了宗师（Grandmaster）级别。

9 S9 R" |0 x3 ~5 d$ ?; v6 o9 ?

6 |5 \8 a2 ^% A8 y

在论文里，我们还发现了特别的训练姿势：

& K' P' s" p, ?2 Q9 |不是所有智能体都为了赢
9 e' i) x  @9 {9 i. \( \
: ^7 Q! Z  l1 F/ p; B

DeepMind在博客里说，发表在Nature上的AlphaStar有四大主要更新：

5 I4 y; w  e* P* n. [

一是约束：现在AI视角和人类一样，动作频率的限制也更严了。
0 ], X8 ]# P" i/ J8 N2 _# Q  J二是人族神族虫族都能1v1了，每个种族都是一个自己的神经网络。
( R' G+ U4 ^- u" J% v: q三是联赛训练完全是自动的，是从监督学习的智能体开始训练的，不是从已经强化学习过的智能体开始的。
' q4 x  [+ [% \' p四是战网成绩，AlphaStar在三个种族中都达到了宗师水平，用的是和人类选手一样的地图，所有比赛都有回放可看。
2 H5 F/ ?6 F( r& C

具体到AI的学习过程，DeepMind强调了特别的训练目标设定：

% s5 c3 x4 q, L4 |

不是每个智能体都追求赢面的最大化。

% d& N8 S- {1 w8 D- N  Y

因为那样智能体在自我对战 (Self-Play) 过程中，很容易陷入某种特定的策略，只在特定的情况下有效，那面对复杂的游戏环境时，表现就会不稳定了。

" C5 J) h* a) Q5 ]1 @7 B

于是，团队参考了人类选手的训练方法，就是和其他玩家一起做针对性训练：一只智能体可以通过自身的操作，把另一只智能体的缺陷暴露出来，这样便能帮对方练出某些想要的技能。

这样便有了目标不同的智能体：第一种是主要智能体，目标就是赢，第二种负责挖掘主要智能体的不足，帮它们变得更强，而不专注于提升自己的赢率。DeepMind把第二种称作“剥削者 (Exploiter) ”，我们索性叫它“陪练”。

AlphaStar学到的各种复杂策略，都是在这样的过程中修炼得来的。

, a' x8 V" N$ m

比如，蓝色是主要玩家，负责赢，红色是帮它成长的陪练。小红发现了一种cannon rush技能，小蓝没能抵挡住：

然后，一只新的主要玩家 (小绿) 就学到了，怎样才能成功抵御小红的cannon rush技能：

6 m- S- i0 e1 B8 G' }' x' t/ l: p0 \

同时，小绿也能打败之前的主要玩家小蓝了，是通过经济优势，以及单位组合与控制来达成的：

, C. _& Y3 H! D- @& _; Z+ v

后面，又来了另一只新的陪练 (小棕) ，找到了主要玩家小绿的新弱点，用隐刀打败了它：

6 \, W1 i7 F/ U, o3 L

循环往复，AlphaStar变得越来越强大。
2 f1 U  b2 e2 F6 a2 N; G

至于算法细节，这次也完整展现了出来。

AlphaStar技术，最完整披露

( f! A2 l/ o9 d3 `. X1 v; D

许多现实生活中的AI应用，都涉及到多个智能体在复杂环境中的相互竞争和协调合作。

# P: N- E6 k, |

而针对星际争霸这样的即时战略（RTS）游戏的研究，就是解决这个大问题过程中的一个小目标。

也就是说，星际争霸的挑战，实际上就是一种多智能体强化学习算法的挑战。

- j% C, O* p' _. I. C4 g0 s/ }7 S

AlphaStar学会打星际，还是靠深度神经网络，这个网络从原始游戏界面接收数据 (输入) ，然后输出一系列指令，组成游戏中的某一个动作。

AlphaStar会通过概览地图和单位列表观察游戏。

采取行动前，智能体会输出要发出的行动类型（例如，建造），将该动作应用于谁，目标是什么，以及何时发出下一个行动。

动作会通过限制动作速率的监视层发送到游戏中。

( F4 ^5 b5 K9 b, i5 f+ z0 w& X

而训练，则是通过监督学习和强化学习来完成的。

最开始，训练用的是监督学习，素材来自暴雪发布的匿名人类玩家的游戏实况。

这些资料可以让AlphaStar通过模仿星际天梯选手的操作，来学习游戏的宏观和微观策略。

最初的智能体，游戏内置的精英级 (Elite) AI就能击败，相当于人类的黄金段位 (95%) 。

而这个早期的智能体，就是强化学习的种子。

在它的基础之上，一个连续联赛 (Continuous League) 被创建出来，相当于为智能体准备了一个竞技场，里面的智能体互为竞争对手，就好像人类在天梯上互相较量一样：

从现有的智能体上造出新的分支，就会有越来越多的选手不断加入比赛。新的智能体再从与对手的竞争中学习。

* y, ]* j' v: _  H, ^5 |

这种新的训练形式，是把从前基于种群 (Population-Based) 的强化学习思路又深化了一些，制造出一种可以对巨大的策略空间进行持续探索的过程。

, y# L! |3 b4 Y6 }! J0 E  b

这个方法，在保证智能体在策略强大的对手面前表现优秀的同时，也不忘怎样应对不那么强大的早期对手。

随着智能体联赛不断进行，新智能体的出生，就会出现新的反击策略 (Counter Strategies) ，来应对早期的游戏策略。

: }2 B6 H% c9 j

一部分新智能体执行的策略，只是早期策略稍稍改进后的版本；而另一部分智能体，可以探索出全新的策略，完全不同的建造顺序，完全不同的单位组合，完全不同的微观微操方法。

除此之外，要鼓励联赛中智能体的多样性，所以每个智能体都有不同的学习目标：比如一个智能体的目标应该设定成打击哪些对手，比如该用哪些内部动机来影响一个智能体的偏好。

2 M2 S% [: P0 K+ o8 ^% t

△

联盟训练的鲁棒性

而且，智能体的学习目标会适应环境不断改变。

% ^% d9 a% P% t' A

神经网络给每一个智能体的权重，也是随着强化学习过程不断变化的。而不断变化的权重，就是学习目标演化的依据。

权重更新的规则，是一个新的off-policy强化学习算法，里面包含了经验重播 (Experience Replay) ，自我模仿学习 (Self-Imitation Learning) 以及策略蒸馏 (Policy Distillation) 等等机制。

历时15年，AI制霸星际
0 F) j, t+ H- g) `! m

《星际争霸》作为最有挑战的即时战略（RTS）游戏之一，游戏中不仅需要协调短期和长期目标，还要应对意外情况，很早就成为了AI研究的“试金石”。

. r( C8 {* k% w2 y. D

因为其面临的是不完美信息博弈局面，挑战难度巨大，研究人员需要花费大量的时间，去克服其中的问题。

DeepMind在Twitter中表示，AlphaStar能够取得当前的成绩，研究人员已经在《星际争霸》系列游戏上工作了15年。

但DeepMind的工作真正为人所知，也就是这两年的事情。

- a9 \" H  q) S( V8 P

2017年，AlphaGo打败李世石的第二年后，DeepMind与暴雪合作发布了一套名为PySC2的开源工具，在此基础上，结合工程和算法突破，进一步加速对星际游戏的研究。

之后，也有不少学者围绕星际争霸进行了不少研究。比如南京大学的俞扬团队、腾讯AI Lab、加州大学伯克利分校等等。

3 C8 H  P' p9 p- P6 t! w- |; h

到今年1月，AlphaStar迎来了AlphaGo时刻。

' ]- g0 g5 \. w) v7 R. h- s5 K: l+ p

在与星际2职业选手的比赛中，AlphaStar以总比分10-1的成绩制霸全场，人类职业选手LiquidMaNa只在它面前坚持了5分36秒，就GG了。

9 W% K$ O, q; c* h; H

全能职业选手TLO在落败后感叹，和AlphaStar比赛很难，不像和人在打，有种手足无措的感觉。

半年后，AlphaStar再度迎来进化。

* N' _' H9 q1 r) l5 g% w6 w& D  i; t

DeepMind将其APM (手速) 、视野都跟人类玩家保持一致的情况下，实现了对神族、人族、虫族完全驾驭，还解锁了许多地图。

5 B4 U/ |5 `- }; O6 f! R3 L2 I

与此同时，并宣布了一个最新动态：AlphaStar将登录游戏平台战网，匿名进行天梯匹配。

现在，伴随着最新论文发布，AlphaStar的最新战力也得到公布：击败了99.8%的选手，达到宗师级别。

DeepMind在博客中表示，这些结果提供了强有力的证据，证明了通用学习技术可以扩展人工智能系统，使之在复杂动态的、涉及多个参与者的环境中工作。

1 F2 D! q8 l' t! h/ v

而伴随着星际2取得如此亮眼的成绩，DeepMind也开始将目光投向更加复杂的任务上了。

CEO哈萨比斯说：

星际争霸15年来一直是AI研究人员面临的巨大挑战，因此看到这项工作被《自然》杂志认可是非常令人兴奋的。
+ k7 l+ D/ D: H7 [; d% x) }3 z" H这些令人印象深刻的成果，标志着我们朝目标——创造可加速科学发现的智能系统——迈出了重要的一步。

那么，DeepMind下一步要做什么？

3 H$ l  P7 u$ M

哈萨比斯也多次说过，星际争霸“只是”一个非常复杂的游戏，但他对AlphaStar背后的技术更感兴趣。

/ S' [/ P& w8 \1 D5 Q- }- h

但也有人认为，这一技术非常适合应用到军事用途中。

4 |5 E0 Y, E0 h# i0 {  I

不过，从谷歌与DeepMind 的态度中，这一技术更多的会聚焦在科学研究上。

其中包含的超长序列的预测，比如天气预测、气候建模。

或许对于这样的方向，最近你不会陌生。

) e; |1 Q( J! F2 r

因为谷歌刚刚实现的量子优越性，应用方向最具潜力的也是气候等大问题。

现在量子计算大突破，DeepMind AI更进一步。

未来更值得期待。你说呢？

6 O1 M  d# v; ~( s1 w% ^, ]One more thing

虽然AlphaStar战绩斐然，但有些人它还打不赢。

5 g8 ?; ]7 o. G) O0 l- G, b$ ^

当时

AlphaStar

刚进天梯的时候，人类大魔王Serral就公开嘲讽，它就是来搞笑的。

但人家的确有实力，现在依旧能正面刚AI。

8 C2 d' M. ~) l" c+ f% v+ _' x

不过，敢这样说话的高手，全球就只有一个。

9 h7 }+ x' h8 M$ V' B. `) B( o传送门

" q6 B9 }4 N' s/ C

Nature论文：
https://doi.org/10.1038/s41586-019-1724-z

论文预印版：
" r+ l! Y) R4 V% O& Hhttps://storage.googleapis.com/deepmind-media/research/alphastar/AlphaStar_unformatted.pdf

博客文章：

' {* S% ~6 I# Z+ t+ ]4 }9 g4 g

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

对战录像：
0 [2 ~1 N0 g6 U! q, A* t! Ehttps://deepmind.com/research/open-source/alphastar-resources

, o( m( h5 R& ?2 S, n— 完 —
2 b1 o8 E) N4 J: p% G1 H% l大咖齐聚！量子位MEET大会报名开启
量子位 MEET 2020 智能未来大会启幕，将携手优秀AI企业、杰出科研人员呈现一场高质量行业峰会！VIP票即将售罄，快扫码报名吧~
榜单征集！三大奖项，锁定AI Top玩家
2019中国人工智能年度评选启幕，将评选领航企业、商业突破人物、最具创新力产品3大奖项，并于MEET 2020大会揭榜，欢迎优秀的AI公司扫码报名！
3 [. I: h/ _* {+ z# k5 ^2 R量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
! g+ ~, M: e$ t, w5 V喜欢就点「在看」吧 !
7 M; h; ]: {( d3 I2 n# Z
$ }" r+ e# |% a. f( L
- T) f- Q* K6 M: B/ i, K. A

  n0 ~( U8 B1 Z( Z* H1 ~: H
来源：http://mp.weixin.qq.com/s?src=11&timestamp=1572508805&ver=1945&signature=ufDgJF-ttdwWgSRz4GvsbfZFt8aLHUpcC9yHtzomlOL0gOuaJsxc735aQnmgAG4n173vkU87wL1VAWURHlPQMQpVqYLRqYVHonQrB2VYxo0tKwIa7RrwLt4ddob2CbZI&new=1
) z- ?# \" v2 ]# `6 G3 T  U免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！