北京時(shí)間 1 月 25 日凌晨 2 點(diǎn)， DeepMind 直播了他們的 AI AlphaStar 和人類頂尖的職業(yè)電競選手對戰(zhàn)星際爭霸 2。根據(jù) DeepMind 介紹，AlphaStar 在 2018 年 12 月 10 日和 19 日先后以 5：0 全勝的戰(zhàn)績擊敗了 2 位國際頂級的人類選手，此次直播的過程中也播放了之前比賽的重放。雖然 AlphaStar 在最后一場現(xiàn)場直播的比賽中惜敗，但是仍然保持對人類 10 勝 1 敗的戰(zhàn)績。

星際在全球玩家眾多，是最流行的一款實(shí)時(shí)策略游戲之一，而 DeepMind 匯聚了全球最頂尖的人工智能科學(xué)家，似乎兩者出現(xiàn)在同一個(gè)場景里有些違和。大眾刻板印象里面，科學(xué)家一般都與實(shí)驗(yàn)科研為伍，怎么會(huì)對玩星際感興趣呢？

其實(shí)如果大家對于 DeepMind 這個(gè)公司有所了解的話，就會(huì)發(fā)現(xiàn)這個(gè)世界一流的人工智能團(tuán)隊(duì)實(shí)際就是一路打游戲過來的。DeepMind 的創(chuàng)始人 Demis Hassabis 自小酷愛國際象棋，13 歲就成為了國際象棋大師。之后他于 2010 年成立 DeepMind，專門開發(fā)能夠玩游戲的人工智能。這個(gè)時(shí)候人工智能領(lǐng)域大火，DeepMind 順勢推出了自己的深度強(qiáng)化學(xué)習(xí) (Deep Reinforcement Learning)，并于 2014 年在 Atari 游戲里面超過了人類水平。2014 年之后 DeepMind 被 Google 收購，借助 Google 的資源優(yōu)勢繼續(xù)研發(fā)，從此在游戲領(lǐng)域一騎絕塵。2016 年和 2017 年 DeepMind 的 AI 先后戰(zhàn)勝圍棋世界冠軍李世石和柯潔。接著 DeepMind 又推出了 AlphaZero，完全不借助人類棋譜，幾個(gè)小時(shí)之內(nèi)就在圍棋，國際象棋和日本將棋上超過了人類水平。

DeepMind 之所以對于游戲如此熱衷，除了創(chuàng)始人的游戲情節(jié)以外，最關(guān)鍵的還是游戲本身就是絕佳的人工智能測試環(huán)境。游戲就是人為創(chuàng)造的，用以幫助人來習(xí)得某個(gè)技能或者測試技能水平的工具。游戲通過提供明確的反饋，使人可以在短期內(nèi)不斷重復(fù)某些行為，從而習(xí)得技能。比如很多棋類游戲的設(shè)計(jì)初衷就是鍛煉分析決策能力。當(dāng)然也有專門用來讓人獲得愉悅的游戲，比如說許多網(wǎng)絡(luò)游戲。這些游戲一般會(huì)有很強(qiáng)獎(jiǎng)勵(lì)（比如獲得金幣之類），獲得獎(jiǎng)勵(lì)的速度也很快，這就是這類游戲容易讓人沉迷的原因。

回過頭來說星際本身。為什么 DeepMind 的科學(xué)家們看中了這么一款游戲呢？原因主要是星際爭霸有這樣兩個(gè)特點(diǎn)：

第一星際爭霸的動(dòng)作空間和策略非常復(fù)雜。圍棋雖然每次落子的變化也很多，但是每次畢竟只是需要根據(jù)盤面挑選落子地方，還算比較簡單。相對而言，星際爭霸里面的的動(dòng)作空間就很復(fù)雜，玩家需要：

1）積累資源

2）建設(shè)工廠

3）組建軍隊(duì)

4）消滅對方的工事

每一個(gè)動(dòng)作之間相互有影響，許多動(dòng)作產(chǎn)生的后果是很長期的

第二玩家沒有全部的信息?；旧蟻碚f玩家只知道顯示在屏幕上面的一小部分區(qū)域的信息。而真正的地圖是很大。所以如果他們想要知道對手的信息，需要派出專門的偵查兵

為了這次的對戰(zhàn)，DeepMind 其實(shí)已經(jīng)準(zhǔn)備已久。去年 DeepMind 和暴雪聯(lián)合推出了基于星際爭霸 2 的強(qiáng)化學(xué)習(xí)測試平臺(tái)并且發(fā)布了論文《StarCraft II: A New Challenge for Reinforcement Learning》。這次參與對戰(zhàn)的 AI 也是從這個(gè)平臺(tái)上訓(xùn)練得到的。這里主要解答一些大家可能關(guān)心的問題。AlphaStar 的視角能夠看到的是什么信息？它的操作和人是否一樣？有沒有作弊？

AlphaStar 到底是看到的什么呢？

我們都知道人類玩家在玩星際的時(shí)候看到的是計(jì)算機(jī)屏幕的信息（如果是團(tuán)戰(zhàn)可能還會(huì)有場下交流）。計(jì)算機(jī)屏幕上面的信息是標(biāo)準(zhǔn)的視頻流。人類玩家首先做的實(shí)際上是識(shí)別哪個(gè)士兵，哪個(gè)是工廠。在計(jì)算機(jī)視覺里面，這些被稱為物體識(shí)別和場景識(shí)別任務(wù)。值得一提的是識(shí)別這些人物本身很困難，但和策略的部分關(guān)系不大。所以 Deepmind 對問題進(jìn)行了一些簡化。 AlphaStar 以圖像的方式從游戲引擎里面讀取特征信息，這些圖像直接標(biāo)記了哪里是兵或者工廠。你可以想象，AlphaStar 有很多只眼睛，有的看到兵，有的看到所有的工廠。除了計(jì)算機(jī)屏幕上面的信息，AlphaStar 還可以看到一個(gè)粗略的全景地圖，可以另外知道一些全局的信息，比如當(dāng)前有多少資源，多少兵力等等。AlphaStar 看到的視角實(shí)際上長得像是下面這個(gè)樣子。

那么 AlphaStar 是怎么進(jìn)行操作呢？

人類玩家都知道玩星際很多時(shí)候是拼手速。操作速度快的人基本可以碾壓操作速度慢的人。人類一般一分鐘進(jìn)行 30 到 300 次操作。最厲害的人類選手大概是每分鐘 500 次操作。理論上計(jì)算機(jī)的操作速度遠(yuǎn)遠(yuǎn)超過人類，所以如果不限定操作速度的話，比較基本上沒有意義了。在 DeepMind 發(fā)布的工具包里面，操作速度被限制為每分鐘 180 次。除此以外，DeepMind 盡量讓 AlphaStar 的操作和人的操作是一樣的。人類玩家的正常操作一般來說是一個(gè)鼠標(biāo)鍵盤序列。比如說要移動(dòng)兵的話，人一般會(huì)先按 m 代表進(jìn)入 move 操作，再按 shift 同時(shí)點(diǎn)擊要移動(dòng)的兵。AlphaStar 的操作也會(huì)產(chǎn)生類似的序列。

根據(jù)上面的信息，我們知道 AlphaStar 的輸入和輸出其實(shí)和人類選手是差不多的，并沒有特殊作弊的行為。從這次的比賽視頻來看，AlphaStar 在選擇策略上如同職業(yè)選手般嫻熟，非常令人驚嘆。那么 Deepmind 大概是用了什么樣的方法來訓(xùn)練 AlphaStar 的呢？Deepmind 在賽后發(fā)布了一篇博客進(jìn)行了介紹。據(jù)說相應(yīng)的論文正在同行評議中，相信不久就會(huì)將看到細(xì)節(jié)。這里我結(jié)合博客內(nèi)容和我自己相關(guān)的經(jīng)驗(yàn)進(jìn)行下簡單介紹。

Deepmind AI 的深度網(wǎng)絡(luò)由多個(gè)模塊構(gòu)成，看起來主要的網(wǎng)絡(luò)是一個(gè)被稱為 Transformer 和 LSTM 的網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建。這類網(wǎng)絡(luò)最重要的特點(diǎn)就是有很長的記憶能力，可以在很長的序列里面自動(dòng)找到數(shù)據(jù)中的關(guān)聯(lián)，早期這類網(wǎng)絡(luò)是在自然語言處理里面成熟的。之所以這次使用這樣的網(wǎng)絡(luò)結(jié)構(gòu)，我猜測主要是星際里面的很多動(dòng)作的影響時(shí)間很長，比如說開始建一個(gè)工廠到真正這個(gè)工廠開始能夠提供物資需要過很久。訓(xùn)練的過程和初代版的 AlphaGo 類似，結(jié)合了有監(jiān)督學(xué)習(xí) (Supervised Learning) 和強(qiáng)化學(xué)習(xí) (Reinforcement Learning)。這兩種學(xué)習(xí)方法其實(shí)我們?nèi)祟愐渤Ｓ?— 有監(jiān)督學(xué)習(xí)相當(dāng)于從課本上面學(xué)習(xí)，而強(qiáng)化學(xué)習(xí)像是從實(shí)踐中摸索。有監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)并用，就相當(dāng)一個(gè)人先從課本上學(xué)習(xí)大概知識(shí)然后學(xué)以致用，在實(shí)踐中不斷改進(jìn)。

在 AlphaStar 中，第一步的訓(xùn)練是在暴雪提供的數(shù)據(jù)集上進(jìn)行的有監(jiān)督學(xué)習(xí)。據(jù) DeepMind 稱，經(jīng)過有監(jiān)督學(xué)習(xí)，AlphaStar 對暴雪的內(nèi)置 AI 能保持 95% 上的勝率。接下來很多經(jīng)過有監(jiān)督學(xué)習(xí)的 AlphaStar 進(jìn)行聯(lián)賽 (League)，相互對打，在這個(gè)過程中使用強(qiáng)化學(xué)習(xí)不斷提升能力。下面這個(gè)圖展示了這兩個(gè)階段水平的提升。

可以看出，有監(jiān)督學(xué)習(xí)使得 AlphaStar 達(dá)到人類中的金牌水平（Gold Level），在進(jìn)行了 8 天強(qiáng)化學(xué)習(xí)之后，AlphaStar 最終超過人類選手 TLO。14 天之后超過了人類選手 MaNa。值得一提的是，在 14 天的強(qiáng)化學(xué)習(xí)訓(xùn)練期間，每個(gè) AlphaStar 相當(dāng)于完成了 200 年的游戲試驗(yàn)。尤其是多個(gè) AlphaStar 相互對戰(zhàn)，需要的計(jì)算量極其巨大。為了加快計(jì)算速度 DeepMind 使用了 Google's v3 TPU （向量計(jì)算單元）開發(fā)了一個(gè)分布式訓(xùn)練系統(tǒng)。TPU (Tensor processing unit) 是 Google 開發(fā)的專門用于人工智能的處理器，從 2016 年推出，至今已經(jīng)演進(jìn)到第三代。每一個(gè) AlphaStar 智能體使用了 16 塊 三代 TPU，這是相當(dāng)驚人的計(jì)算能力 — 要知道幾個(gè)小時(shí)滅掉 AlphaGo 的 AlphaZero 在對弈的時(shí)候也不過只用了 4 塊一代 TPU。

AlphaStar 之所以能夠使用 TPU 的強(qiáng)大算力，得益于從 16 年起 Deepmind 將主要研究平臺(tái)轉(zhuǎn)移到了 TensorFlow 上面。TensorFlow 是 Google 開發(fā)的開源機(jī)器學(xué)習(xí)平臺(tái)，如今也是最受歡迎機(jī)器學(xué)習(xí)系統(tǒng)之一。TPU 就是專門為 TensorFlow 開發(fā)的硬件。除了 DeepMind 以外，Google 大部分的人工智能系統(tǒng)也都是基于 TensorFlow。

芯片領(lǐng)域有一個(gè)摩爾定律，就是計(jì)算力隨著時(shí)間是指數(shù)增長的。其實(shí)人工智能領(lǐng)域也有著類似的規(guī)律，比如說 AlphaGo 對陣?yán)钍朗臅r(shí)候人類尚可一戰(zhàn)，不久之后對戰(zhàn)柯潔人已經(jīng)完全不在 一個(gè)量級。相信隨著時(shí)間的前進(jìn)，AlphaStar 也會(huì)不斷的強(qiáng)大，同時(shí)在更多的問題上人工智能也會(huì)超過人類。許多人因此擔(dān)憂人會(huì)隨著人工智能的發(fā)展人變得多余。其實(shí)我們大可不必?fù)?dān)憂，雖然如今人工智能在許多地方取得了不俗的成就，但其本質(zhì)仍然是人類的工具。人類歷史其實(shí)就是一個(gè)不斷的發(fā)明創(chuàng)造新的工具的歷史，從火的使用，到蒸汽機(jī)，再到如今的人工智能，無一不是如此。在新的時(shí)代，新的人類必然會(huì)懂得如何去使用全新的工具。AlphaStar 的星際爭霸首秀，可能是這個(gè)新的時(shí)代的又一個(gè)序章。回到文初的問題，為什么科學(xué)家們會(huì)對星際爭霸如此癡迷 — 因?yàn)檫@不僅是游戲里的星際，更是人類的星辰大海。