AI星际争霸战败，人类玩家4:0碾压挽回颜面

“人类总算能摆脱被统治的阴影”。

最近这两天, 举办了一场关于《星际争霸》的人机对抗“表演赛”, 这场比赛使得不少人类觉得扬眉吐气。毕竟在这场比赛当中, 韩国的顶级职业玩家Stork（宋炳具）, 一鼓作气之下成功击败了四个AI玩家, 最终赢得了500万韩元奖金！

约合人民币近3万元。

宋炳具选手

按这样的情况来, 整场比赛流程序列如下: 人类阵营方面, 先是有两位普通学生星际玩家登场亮相, 他们分别要去挑战上个月《星际争霸AI大赛》里的冠军人物ZZZK, 以及来自挪威的TSCMO, 加上主办方韩国世宗大学所研发的MJ。

最终, AI阵营之中, 有一方以3: 0的比分, 还有一方以2: 1的比分, 成功击败了普通人类星际玩家, 而唯一的那场败仗, 是由韩国星际AI所造成的。总的比分算下来, 是5: 1。

再接着, Stork闪亮现身, 凭借一连串4：0的比分将AI拿下, 为人类把丢失面子得以重新找回。

为什么会赢四场呢? 是因为最开始觉得应该大概会有三场特别精彩的人机对抗争夺, 然而Stork取得胜利是既直接又轻快, 实在是没有别的办法, 所以才只能临时增加比赛场次, 让在《星际争霸AI大赛》里排名第六的CherryPi最后出场, 可结果是Stork动用神族侦察机直接就侵入敌方的核心。

CherryPi源自声名远扬的Facebook AI研究院, 然而其成绩向来着实不怎么样。

AI选手

不够AI的AI

顶级职业选手打败了AI, 刚一听闻, 星际界这般状况好像和围棋界构成了显著的反差。在围棋这个项目里, AI击败了顶级职业选手。

但开运真人app下载苹果版,开运真人app下载，还真不是一回事儿。

与之相较, AlphaGo属于一套复杂度颇高的, 人工智能系统, 当下已然能够在几乎不借助任何人类知识的状况下, 自行学会下围棋, 而且能够迅速地成长为高手。

对于最新版的AlphaGo Zero, 存有他人藉由一张图示予以解读的情况。要是你具备能够看懂的能力, 想必是颇具趣味的……

那些参与此次“星际争霸人机大战”的人工智能系统, 处于相当初级的阶段, 并且, 那些参加上个月《星际争霸AI大赛》的人工智能系统, 同样处于相当初级的阶段。

像其中极为厉害的ZZZK, 其背后站着澳大利亚的程序员Chris Coxe。他独自一人打造了这个AI, 然而其中仅有某些简单的学习功能, 背后更多的是各种各样预先编辑好的策略。

之前介绍过量子位, ZZZK仅能够施行一种单基地Rush战术, 此外, 这个ZZZK于游戏之中能够学习某些策略, 用于判定哪一种Rush是最为有效的。

星际AI大赛成绩单

当然, 星际AI跟普通玩家比的话, 是有着人类很难去相比较的优势的。比如说, 星际AI每分钟能够完成的峰值操作次数是2万次。然而, 人类大概每分钟只能完成300次操作。

鉴于AI玩得欠佳, 便不再细致解读它们的策略了。对其有兴趣的人可去看上面所提到的视频。Stork明确表示, 与他进行对局的AI处于普通玩家的中等水准。

总而言之世界杯直播，这次Stork击败的AI，其实不够AI。

DeepMind在干嘛

为什么AI在星际这个领域没能大杀四方？

很简单世界杯2026直播平台，太难了。

星际是一种具备实用性的基础AI研究环境, 这是由于游戏自身呈现出复杂且多变的特性。对于AI而言, 若要获取胜利, 就得同时开展多项准备工作, 像是管理以及创造资源, 指挥军事单位, 部署防御结构等一系列操作, 都得同步推进, 循序渐进地予以完成。除此之外, AI还必须对对手的策略作出预测。

在围棋这个领域当中, 由Facebook所开发出来的AI, 最终, 还是没有办法敌得过那个由DeepMind开发的AlphaGo。然而现在, Facebook却又在太空星际领域如此, 率先去推出了他们自己的AI。

是否有意无意暂且不论, 全新的那种“竞争”已然开启了。然而, DeepMind究竟在做些什么呢?

DeepMind肯定不会放过星际, 并且DeepMind所挑选的路径有些不一样, 首先, 赛场存在差异, Facebook在星际里激烈竞争, 而DeepMind选了星际2, 其次，DeepMind没有径直推出AI, 而是弄了一套, 即SC2LE。

这是一套星际2工具包, 它有着用于加速AI研究的作用, 它是由DeepMind和暴雪联合将其发布的, 这个工具包涵盖了如此内容:

简而言之，可以看看下面这个视频：

不止星际

AI感兴趣的游戏，不止星际一个。

因其下围棋的AlphaGo, DeepMind的名字广为人知, 深入人心。然而, 最初为该公司在人工智能领域树立起赫赫声望的, 乃是针对它雅达利（Atari）的游戏。

2015年2月的时候, 也就是在AlphaGo和李世乭下棋之前一年多的时间段, DeepMind首次登上了《自然》封面这件事, 这时他们发表了一篇名为Human-level control through deep reinforcement learning的论文, 而这篇论文展示出, DeepMind的算法已经学会了49种雅达利游戏, 且在其中23种游戏里击败了人类。

像Video Pinball, Boxing, 打砖块（Breakout）, Star Gunner, Robotank这类, AI颇善长。

DQN打雅达利游戏的战果

这篇论文里的算法DQN, 后来在谈到AI打游戏时, 成了必定会被说起提及的一种算法, DeepMind以及同行们, 都针对它做了算不上少的改进, 不久之前, DeepMind还提出了一种属于DQN的新变体: Rainbow, 接着把论文提交给了AAAI 2018。

充满热情地热衷于雅达利游戏的, 存在着马斯克等人一同联合创立的AI研究机构OpenAI。

在强化学习开发工具包OpenAI Gym里, 它是在2016年发布的, 这里集成了许多环境, 而这些环境当中，包含了基于Arcade学习环境的雅达利游戏。

并且, 在年末发布的人工智能测试训练平台Universe, 它可是汇集了众多游戏之精华, 除了2600种雅达利游戏之外, 在Universe里面, 还存在着1000个Flash游戏。随后, Universe又引进了《侠盗猎车手5》（GTA V）, 使得研究者能够运用AI在虚拟世界当中开车。

有着广泛兴趣的OpenAI, 除了那些被集成到Universe平台之上的游戏以外, 在今年, 于DotA 2圈的“世界杯”TI7邀请赛里火了一回, 影魔以中单solo的方式将职业选手Dendi完虐了。

可能还有《王者荣耀》。

之前有多个媒体进行了报道, 称马化腾表明正在对 AI 对战手游玩家展开测试, 这个信息还被广泛地解读成为腾讯正旨在训练 AI 去参与《王者荣耀》的对战, 正儿八经、实实在在地讲, 游戏 AI 乃是腾讯一个确立了的、明确的研究方向, 其中涵盖了在 LOL 里未来有可能也会呈现出一个 AI 大魔王。

为什么科技公司不惜重金打游戏

诸多科技公司, 对于AI打游戏, 均怀有浓厚兴趣, 这并非偶然。

对AI研究者而言, 这些游戏自然而然就给人工智能营造了一个相较于真实世界更为简易的交互环境, 且能够为AI确立一个明晰明确的目标, 与此同时, 又了提供一种简单便利易于使用的衡量标准。

于游戏之中AI所学到策略, 对现实世界里其他领域的决策而言具备具有参考价值, 举例来说, DeepMind用于打砖块的DQN, 在对话系统以及文本生成方面有着不错成效, 且能够用以控制机器人避障、导航。

打GTA V的是AI, 甚至其初衷就是于高仿真环境里, 训练人工智能来辨认街道、物体。游戏之中本身就涵盖了大量的标注数据, 比真实数据量更大、且更易获取。要是你在训练无人车时没有Waymo Carcraft那般高级的模拟环境, GTA也算是个能勉强接受的折衷之选。

与众多运用深度强化学习算法且打电子游戏的AI相同的AlphaGo, 在足球界“独孤求败”, 随后寻得了自身于现实领域里的那种价值, DeepMind表示, 彼等期望借助AlphaGo的相关算法, 可以帮助处理蛋白质重叠、进而实现节约能耗, 而且还能够去寻觅革命意义的诸如新型材料等一系列问题。

事实上，自2016年起, Google便启动在数据中心运用AlphaGo的算法, 用以调控风扇, 调控空调, 调控窗户, 调控服务器等的电量。谷歌宣称, AI为其提升了约15%的能源利用效率。

打游戏的各位AI们成才之后，大可以多向这位下棋的前辈学习。

标签： AI 星际争霸 人机对战 DeepMind AlphaGo