昨天DeepMind的AlphaStar橫掃星際2職業玩家，項目負責人Oriol Vinyals和David Silver兩位技術大牛親自答網友提問。新智元摘選點贊最高的15個問題，關于APM、算法和工程的精華。

“AI早晚會超越人類”的念頭，其實從AlphaGo開始，就已經在每個人心底，悄悄蔓延開。

只不過我們每個人心里還是很不甘心！面對智力甚至無法達到人類嬰兒水平的AI，玩起游戲來，已經沒人能打得過了。

AlphaStar取勝靠的APM、計算機多線操作，還是AI已經有了戰術判斷、宏觀大局分析能力？

賽后，DeepMind官方在Reddit上，回復了網友關于AlphaStar的種種疑問。

此次派出的是Oriol Vinyals和David Silver。

Oriol Vinyals是 Google 旗下人工智能公司 DeepMind 的研究科學家，年少時，他曾是西班牙《星際爭霸》游戲排名第一的電競高手，同時參與 Gmail、Google 圖像識別服務開發。

David Silver是DeepMind首席研究員，帶領DeepMind強化學習研究小組，也是AlphaGo項目的負責人。可以說，Silver從AlphaGo誕生前起，到最強版本AlphaGo Zero，一直在用深度強化學習攻克圍棋。David Silver也是AlphaStar項目的聯合負責人。

AlphaStar獲勝靠的是APM嗎？

問：APM是怎么回事？我印象中是被SC2限制為180 WPM，但看視頻，AS的平均APM似乎很長一段時間都遠遠超過了180 WPM，而且DeepMind的博客文章里提到了上面的圖表和數字，但沒有解釋為什么APM這么高。

Oriol Vinyals：我認為這是一個很好的問題，也是我們想要澄清的。

我們向TLO和暴雪咨詢了關于APM的問題，也對APM增加了一個硬性限制。特別是，我們設置了5秒內最多600 APM, 15秒內最多400 APM, 30秒內最多320 APM, 60秒內最多300 APM。

如果智能體在此期間發出更多操作，我們會刪除/忽略這些操作。這些是來自人類統計的數據。

同樣重要的是，暴雪在APM計算中多次計算某些動作(上面的數字是指來自pysc2中的“代理動作”)。

同時，我們的智能體使用模仿學習，這意味著我們經常會看到非常“垃圾”的行為。也就是說，并不是所有的操作都是有效的操作，因為代理傾向于發送糟糕的“移動”命令，例如在周圍繞來繞去。

有人已經在reddit的帖子中指出了這一點——AlphaStar的有效APM (或EPM) 要低得多。

AlphaStar一共有幾個版本？

問：在PBT中需要多少種不同的agent才能保持足夠的多樣性，以防止災難性遺忘？這與agent的數量有多大關系，或者只需要幾個agent就可以保持魯棒性？有沒有與比較常用的歷史檢查點策略的效率進行比較?

David Silver：我們保留每個agent的舊版本作為AlphaStar聯賽的競爭對手。

當前的agent通常根據對手的勝率來打。這在防止災難性遺忘方面是非常成功的，因為agent必須要能夠繼續打敗它之前的所有版本。

我們嘗試了許多其他的多智能體學習策略，發現這種方法非常有效。此外，增加AlphaStar聯賽的多樣性也很重要，盡管這實際上是災難性遺忘的另一個方面。

很難給出準確的數字，但我們的經驗是，豐富聯盟中的戰略空間有助于使最終的智能體更強大。

AlphaStar的關鍵算法是什么？

問：像AlphaGo和AlphaZero這樣的agent接受的是完美信息的博弈訓練。像星際爭霸這樣的不完美信息的博弈如何影響agent的設計？AlphaStar對之前的觀察是否有類似于人類的“記憶”?

David Silver：有趣的是，基于搜索的方法，例如AlphaGo和AlphaZero，實際上可能更難適應不完美的信息。例如，基于搜索的撲克算法 (例如DeepStack或Libratus) 通過belief states顯式地推理對手的牌。

但AlphaStar是一個model-free的強化學習算法，可以隱式地對對手進行推理，即通過學習對其對手最有效的行為，而不是試圖建立一個對手實際看到的模型——可以說，這是一種更容易處理不完全信息的方法。

此外，不完美的信息博弈并沒有一種絕對最優的博弈方式——這取決于對手的行為。這就是《星際爭霸》中有趣的“石頭剪刀布”動態的來源。

這是我們在AlphaStar聯賽中使用的方法背后的動機，以及為什么這種方法對于覆蓋所有戰略空間很重要——這在圍棋之類的游戲是不需要的，其中有一個minimax的最優策略可以擊敗所有對手，不管對手做出何種舉動。

AlphaStar有使用人類信息，還是全靠自我對弈？

問：你們還嘗試了什么其他方法嗎？大家非常好奇是否涉及任何樹搜索、深度環境模型或分層RL技術，但似乎沒有一個涉及；這些方法中有那個在嘗試后取得了可觀的進步嗎？

子問題：鑒于SC2的極端稀疏性，你對于單純self-play是否對SC2有效這一點有什么看法？OA5在沒有任何模仿學習或領域知識的情況下就成功地打敗了DoTA2，所以僅僅是擁有巨大動作空間的長游戲并不能說明self-play就不能成功。

David Silver：我們在self-play方面確實取得了一些初步的積極成果，事實上，我們的agent的早期版本完全通過self-play，使用基本策略就擊敗了內置的bot。

但是，有監督的人類數據對引導探索過程非常有幫助，并有助于更廣泛地覆蓋高級策略。

特別是，我們包含了一個policy distillation cost，以確保在整個訓練過程中，agent以某種概率繼續嘗試類似人的行為，這跟從self-play開始相比，發現不太可能的策略要更容易。

迄今為止最有效的方法沒有使用樹搜索、環境模型或顯式HRL。當然，這些都是很大的開放研究領域，不可能系統地嘗試所有可能的研究方向，而且這些領域很可能為未來的研究帶來豐碩的成果。

需要提一下的是，我們的研究中有一些可能被認為是“hierarchical”的元素。

AlphaStar消耗的計算量如何？

問：你們使用的TPU和CPU總計算時間是多少？

David Silver：為了訓練AlphaStar，我們使用Google的v3 TPU構建了一個高度可伸縮的分布式訓練設置，該設置支持從數千個《星際爭霸2》的并行實例中學習的agents。

AlphaStar聯賽運行了14天，每個agent使用16個TPU。最終的AlphaStar agent由已發現的最有效的策略組合而成，在單個桌面GPU上運行。

AlphaStar 和 OpenAI Five 誰更強？

問：談到OpenAI Five，似乎它在DoTA2游戲中崩潰，你們是否有進行檢查看看AlphaStar在self-play中是否會出現類似的問題？

David Silver：其實有很多不同的方法可以通過self-play學習。我們發現，單純的self-play實現往往會陷入特定的策略中，或者忘記如何打敗以前的策略。

AlphaStar聯賽也是基于agent的自己與自己打，但它的多智能體學習機制鼓勵agent在面對各種不同的對手策略時進行更強的博弈，并且在實踐中，面對不同尋常的對抗模式時，似乎會產生更強的行為。

神經網絡執行一個動作需要多少時間？

問：神經網絡在GPU上運行的時間是50ms還是350ms，還是指的是不同的東西(前向傳遞 vs 動作限制)?

David Silver：神經網絡本身需要大約50ms來計算一個動作，但這只是發生在游戲事件和AlphaStar對該事件作出反應之間的處理的一部分。

首先，AlphaStar平均每250ms觀察一次游戲，這是因為神經網絡除了動作(有時稱為時間抽象動作)之外，還會選擇一些時間等待。

然后，觀察結果必須從Starcraft傳遞到Starcraft，除了神經網絡選擇動作的時間之外，這又增加了50ms的延遲。總的來說，平均反應時間是350ms。

AlphaStar對戰MaNa輸掉的那一場原因是什么？

問：許多人將AlphaStar的單次失利歸咎于算法在最后一場比賽中被限制了視覺。我個人并不認為這是一個令人信服的解釋，因為相位棱鏡在戰爭的迷霧中進進出出，而AI則在整個軍隊中來回移動作為回應。這看起來絕對像是理解上的差距，而不是機械操作上的局限。你對AlphaStar以這種方式失敗的原因有什么看法?

David Silver：很難解釋我們為什么會輸掉(或贏得)任何一場游戲，因為AlphaStar的決策很復雜，是動態多智能體訓練過程的結果。

MaNa打了一場非常精彩的游戲，似乎發現并利用了AlphaStar的一個弱點——但是很難說這個弱點是由于攝像頭、較少的訓練時間、不同的對手等等，而不是其他agent。

AlphaStar是從攝像頭還是從API獲取信息？

問：本次比賽中AI是可以看到全地圖的。這與從API中獲取原始數據并簡單地將它們抽象為結構化數據作為NN的輸入有何不同？似乎新版本不再使用要素圖層了？PySC2（DeepMind的星際爭霸II學習環境的Python組件。它將暴雪娛樂的星際爭霸II機器學習API暴露為Python RL環境）中建筑的狀態，是在造中、已建成等等。這些信息在camera_interface方法中是如何保留的？

Oriol Vinyals：實際上，通過攝像頭（和非攝像頭）接口，當我們將其作為列表輸入（由神經網絡變換器進一步處理）時，智能體就能獲得是什么建筑被被建造出來的信息。

通常，即使沒有保留這樣的列表，智能體也會知道什么建筑被建造出來。智能體的內存（LSTM）跟蹤所有先前發布的操作，以及過去訪問過的所有攝像頭位置。

我們確實為小地圖使用了要素圖層，但是對于屏幕，您可以將要素列表視為“轉置”該信息。事實證明，即使是處理圖像，將每個像素作為列表獨立處理，也能很好地工作！更多信息請參閱：https://arxiv.org/abs/1711.07971

AlphaStar的兩百年相當于人類多久時間？

問：有多少類似星際爭霸這種需要200年訓練時間的游戲？

Oriol Vinyals：平均每場比賽持續10分鐘，這相當于大約1000萬場比賽。但請注意，并非所有智能體都經過長達200年的培訓，這是各種版本的AlphaStar中智商最高的。

AlphaStar如何攢錢生成高級兵種？

問：它怎么學習到“為某種目的存錢”，比如攢錢生成高級兵種？這種“不作為”的操作被稱作NOOP，在RL算法中，會越來越多的認為NOOP是非理想點的最佳決策。

David Silver：事實上AlphaStar選擇執行多少次NOOP，就是作為其行動的一部分。

這首先是從監督數據中學習的，鏡像人類操作，這意味著AlphaStar通常以與人類玩家類似的速度進行“點擊”操作。

然后通過強化學習來改進，可以選擇減少或增加NOOP的數量。 因此，通過事先規劃好有幾個NOOP，可以很容易地實現“為X省錢”。

AlphaStar的輸入數據是實時的嗎？

問：最終使用的步長是多少？在博客中你寫道，星際爭霸的每一幀都被用作輸入的一步。但是，你還提到平均處理時間為50ms，這將超過即時游戲給定22.4fps時需要<46ms的要求。所以你們是逐幀作為輸入，還是隔幀呢？隔的幀數是固定還動態？

Oriol Vinyals：我們是逐幀的，但是由于延遲和您注意到的幾個延遲，操作將僅在該步驟結束后處理（即，我們異步播放）。 另一種選擇是鎖定步驟，這使得玩家的游戲體驗不是很好:)

AlphaStar還能玩星際2的其他地圖嗎？

問：你們是否做過泛化 (generalizations) 測試？假設沒有一個agent可以選擇不同的族來打(因為可用的單元/操作是完全不同的，甚至在架構上也不能工作)，但是至少應該能推廣到其他地圖，是嗎?

David Silver：我們實際上(無意中)測試了這個。我們有一個AlphaStar的內部排行榜，我們沒有將排行榜的地圖設置為Catalyst，而是將字段留空——這意味著它能在所有的Ladder 地圖上運行。

令人驚訝的是，agent仍然很強大，表現也很不錯，盡管還不能達到我們昨天公開的那個水平。

只用臺式機如何在機器學習和強化學習領域取得好成績？

問：你有什么建議ML/RL愛好者關注的領域嗎？哪些領域不需要超過臺式機級別的計算資源就可以做出有用的貢獻?

Oriol Vinyals：有很多事情不需要大量計算資源就可以做，可以推進ML的進步。

我最喜歡的例子是我們做機器翻譯的時候，我們開發了一個叫做seq2seq的東西，它有一個大型的LSTM，在機器翻譯中達到了state of the art的性能，并且只使用了8個GPU訓練。

與此同時，蒙特利爾大學開發了叫做“attention”的機制，這是ML技術的一個根本性進步，使得模型變得更小，從而不需在大型硬件上運行。

普通玩家何時能對戰AlphaStar？

問：在11月 Blizzcon的演講中，IIRC Vinyals說他很樂意將SC2 bot開放給普通玩家。這件事有什么計劃嗎？

Oriol Vinyals：這讓人興奮！我們非常感謝社區的支持，我們希望將社區的反饋納入到我們的工作中，這也是為什么我們要發布這10個游戲回放供社區去評論和欣賞。我們將隨時告訴大家我們的計劃進展！