碾压99.8%人类对手，星际AI登上Nature，技术首次完整披露(2)

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。

《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。

（编辑：ASP站长网）