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

乾明 鱼羊 栗子 发自 凹非寺

量子位 报道 | 公众号 QbitAI

仅剩0.2%的星际2玩家，还没有被AI碾压。

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。

在论文里，我们还发现了特别的训练姿势：

不是所有智能体都为了赢

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

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。

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。

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。

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。

具体到AI的学习过程，DeepMind强调了特别的训练目标设定：

不是每个智能体都追求赢面的最大化。

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。

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特定的技能。

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。

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：

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：

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

循环往复，AlphaStar变得越来越强大。

至于算法细节，这次也完整展现了出来。

AlphaStar技术，最完整披露

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。

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。

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。

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。

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。

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。

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。

△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。

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

《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”。

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。

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。

到今年1月，AlphaStar迎来了AlphaGo时刻。

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。

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。

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。

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，达到了宗师级别。

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。

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。

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？

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。

但也有人认为，这一技术非常适合应用到军事用途中。

但从谷歌与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。

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？

One more thing

虽然AlphaStar战绩斐然，但有些人，它暂时还是打不赢。

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。

不过，敢这样说话的高手，全球就只有一个。

传送门

Nature论文：

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

论文预印版：

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

对战录像：

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