碾壓99.8%人類對手，星際AI登上Nature，技術首次完整披露
僅剩0.2%的星際2玩家，還沒有被AI碾壓。
這是匿名混入天梯的AlphaStar，交出的最新成績單。
同時，DeepMind也在Nature上完整披露了AlphaStar的當前戰力和全套技術：
AlphaStar，已經超越了99.8%的人類玩家，在神族、人族和蟲族三個種族上都達到了宗師（Grandmaster）級別。
在論文里，我們還發現了特別的訓練姿勢：
不是所有智能體都為了贏
DeepMind在博客里說，發表在Nature上的AlphaStar有四大主要更新：
一是約束：現在AI視角和人類一樣，動作頻率的限制也更嚴了。
二是人族神族蟲族都能1v1了，每個種族都是一個自己的神經網絡。
三是聯賽訓練完全是自動的，是從監督學習的智能體開始訓練的，不是從已經強化學習過的智能體開始的。
四是戰網成績，AlphaStar在三個種族中都達到了宗師水平，用的是和人類選手一樣的地圖，所有比賽都有回放可看。
具體到AI的學習過程，DeepMind強調了特別的訓練目標設定：
不是每個智能體都追求贏面的最大化。
因為那樣智能體在自我對戰 (Self-Play) 過程中，很容易陷入某種特定的策略，只在特定的情況下有效，那面對復雜的游戲環境時，表現就會不穩定了。
于是，團隊參考了人類選手的訓練方法，就是和其他玩家一起做針對性訓練：一只智能體可以通過自身的操作，把另一只智能體的缺陷暴露出來，這樣便能幫對方練出某些想要的技能。
這樣便有了目標不同的智能體：第一種是主要智能體，目標就是贏，第二種負責挖掘主要智能體的不足，幫它們變得更強，而不專注于提升自己的贏率。DeepMind把第二種稱作“剝削者 (Exploiter) ”，我們索性叫它“陪練”。
AlphaStar學到的各種復雜策略，都是在這樣的過程中修煉得來的。
比如，藍色是主要玩家，負責贏，紅色是幫它成長的陪練。小紅發現了一種cannon rush技能，小藍沒能抵擋住：
然后，一只新的主要玩家 (小綠) 就學到了，怎樣才能成功抵御小紅的cannon rush技能：
同時，小綠也能打敗之前的主要玩家小藍了，是通過經濟優勢，以及單位組合與控制來達成的：
后面，又來了另一只新的陪練 (小棕) ，找到了主要玩家小綠的新弱點，用隱刀打敗了它：
循環往復，AlphaStar變得越來越強大。
至于算法細節，這次也完整展現了出來。
AlphaStar技術，最完整披露
許多現實生活中的AI應用，都涉及到多個智能體在復雜環境中的相互競爭和協調合作。
而針對星際爭霸這樣的即時戰略（RTS）游戲的研究，就是解決這個大問題過程中的一個小目標。
也就是說，星際爭霸的挑戰，實際上就是一種多智能體強化學習算法的挑戰。
AlphaStar學會打星際，還是靠深度神經網絡，這個網絡從原始游戲界面接收數據 (輸入) ，然后輸出一系列指令，組成游戲中的某一個動作。
AlphaStar會通過概覽地圖和單位列表觀察游戲。
采取行動前，智能體會輸出要發出的行動類型（例如，建造），將該動作應用于誰，目標是什么，以及何時發出下一個行動。
動作會通過限制動作速率的監視層發送到游戲中。
而訓練，則是通過監督學習和強化學習來完成的。
最開始，訓練用的是監督學習，素材來自暴雪發布的匿名人類玩家的游戲實況。
這些資料可以讓AlphaStar通過模仿星際天梯選手的操作，來學習游戲的宏觀和微觀策略。
最初的智能體，游戲內置的精英級 (Elite) AI就能擊敗，相當于人類的黃金段位 (95%) 。
而這個早期的智能體，就是強化學習的種子。
在它的基礎之上，一個連續聯賽 (Continuous League) 被創建出來，相當于為智能體準備了一個競技場，里面的智能體互為競爭對手，就好像人類在天梯上互相較量一樣：
從現有的智能體上造出新的分支，就會有越來越多的選手不斷加入比賽。新的智能體再從與對手的競爭中學習。
這種新的訓練形式，是把從前基于種群 (Population-Based) 的強化學習思路又深化了一些，制造出一種可以對巨大的策略空間進行持續探索的過程。
這個方法，在保證智能體在策略強大的對手面前表現優秀的同時，也不忘怎樣應對不那么強大的早期對手。
隨著智能體聯賽不斷進行，新智能體的出生，就會出現新的反擊策略 (Counter Strategies) ，來應對早期的游戲策略。
一部分新智能體執行的策略，只是早期策略稍稍改進后的版本；而另一部分智能體，可以探索出全新的策略，完全不同的建造順序，完全不同的單位組合，完全不同的微觀微操方法。
除此之外，要鼓勵聯賽中智能體的多樣性，所以每個智能體都有不同的學習目標：比如一個智能體的目標應該設定成打擊哪些對手，比如該用哪些內部動機來影響一個智能體的偏好。
△聯盟訓練的魯棒性
而且，智能體的學習目標會適應環境不斷改變。
神經網絡給每一個智能體的權重，也是隨著強化學習過程不斷變化的。而不斷變化的權重，就是學習目標演化的依據。
權重更新的規則，是一個新的off-policy強化學習算法，里面包含了經驗重播 (Experience Replay) ，自我模仿學習 (Self-Imitation Learning) 以及策略蒸餾 (Policy Distillation) 等等機制。
歷時15年，AI制霸星際
《星際爭霸》作為最有挑戰的即時戰略（RTS）游戲之一，游戲中不僅需要協調短期和長期目標，還要應對意外情況，很早就成為了AI研究的“試金石”。
因為其面臨的是不完美信息博弈局面，挑戰難度巨大，研究人員需要花費大量的時間，去克服其中的問題。
DeepMind在Twitter中表示，AlphaStar能夠取得當前的成績，研究人員已經在《星際爭霸》系列游戲上工作了15年。
但DeepMind的工作真正為人所知，也就是這兩年的事情。
2017年，AlphaGo打敗李世石的第二年后，DeepMind與暴雪合作發布了一套名為PySC2的開源工具，在此基礎上，結合工程和算法突破，進一步加速對星際游戲的研究。
之后，也有不少學者圍繞星際爭霸進行了不少研究。比如南京大學的俞揚團隊、騰訊AI Lab、加州大學伯克利分校等等。
到今年1月，AlphaStar迎來了AlphaGo時刻。
在與星際2職業選手的比賽中，AlphaStar以總比分10-1的成績制霸全場，人類職業選手LiquidMaNa只在它面前堅持了5分36秒，就GG了。
全能職業選手TLO在落敗后感嘆，和AlphaStar比賽很難，不像和人在打，有種手足無措的感覺。
半年后，AlphaStar再度迎來進化。
DeepMind將其APM (手速) 、視野都跟人類玩家保持一致的情況下，實現了對神族、人族、蟲族完全駕馭，還解鎖了許多地圖。
與此同時，并宣布了一個最新動態：AlphaStar將登錄游戲平臺戰網，匿名進行天梯匹配。
現在，伴隨著最新論文發布，AlphaStar的最新戰力也得到公布：擊敗了99.8%的選手，拿到了大師級稱號。
DeepMind在博客中表示，這些結果提供了強有力的證據，證明了通用學習技術可以擴展人工智能系統，使之在復雜動態的、涉及多個參與者的環境中工作。
而伴隨著星際2取得如此亮眼的成績，DeepMind也開始將目光投向更加復雜的任務上了。
CEO哈薩比斯說：
星際爭霸15年來一直是AI研究人員面臨的巨大挑戰，因此看到這項工作被《自然》雜志認可是非常令人興奮的。
這些令人印象深刻的成果，標志著我們朝目標——創造可加速科學發現的智能系統——邁出了重要的一步。
那么，DeepMind下一步要做什么？
哈薩比斯也多次說過，星際爭霸“只是”一個非常復雜的游戲，但他對AlphaStar背后的技術更感興趣。
但也有人認為，這一技術非常適合應用到軍事用途中。
不過，從谷歌與DeepMind 的態度中，這一技術更多的會聚焦在科學研究上。
其中包含的超長序列的預測，比如天氣預測、氣候建模。
或許對于這樣的方向，最近你不會陌生。
因為谷歌剛剛實現的量子優越性，應用方向最具潛力的也是氣候等大問題。
現在量子計算大突破，DeepMind AI更進一步。
未來更值得期待。你說呢？
One more thing
雖然AlphaStar戰績斐然，但有些人它還打不贏。
當時AlphaStar剛進天梯的時候，人類大魔王Serral就公開嘲諷，它就是來搞笑的。
但人家的確有實力，現在依舊能正面剛AI。
不過，敢這樣說話的高手，全球就只有一個。
