酷应用

Science最新：DeepMind部署自学AI，攻陷FPS“雷神之锤”

百家作者：大数据文摘 2019-05-31 08:21:23

大数据文摘编辑部出品

用AI攻占了国际象棋和围棋高地之后，DeepMind在第一人称射击游戏（FPS）上也有了新进展。

1997年5月“深蓝”击败国际象棋世界冠军卡斯巴罗夫，有玩家在庆幸，我不下象棋，只下围棋。

2017年5月AlphaGo打败围棋世界冠军柯洁，有玩家庆幸，还好，我不下棋。

2018年6月，OpenAI 人工智能在dota2 5V5模式中以4000分水平击败人类玩家，依旧有玩家庆幸，我不玩RPG（角色扮演）对战，我只玩FPS（第一人称射击）。

如今，FPS也被AI攻陷。

近日，DeepMind的研究人员在本周的《科学》杂志上发表了一篇论文，描述描述了一个完全无监督的自学程序，不仅能够学习如何玩“ Quake III Arena ”（雷神之锤III竞技场，一款第一人称射击游戏），还能设计出胜过人类团队的新颖战略。

国际象棋和围棋最初是用来模拟战争游戏的，但却对战争复盘的不好。因为这类游戏通常涉及一个或多个队友和敌人。而且一个优秀的战争游戏必然是三维展开。

DeepMind使用的AI叫For The Win（FTW），本质是用卷积神经网络直接通过屏幕上进行训练，屏幕数据会被传递到两个LSTM网络或能够学习长期依赖性的网络。这两个LSTM一个是在快速时间尺度上，另一个是在慢速时间尺度上运行。它们通过目标耦合，能够对游戏世界进行预测并通过模拟游戏控制器输出动作。

FTW总共训练了30个游戏角色，为他们提供了一系列队友和对手，并随机选择游戏阶段，以防止他们通过记忆惯性做出选择。每个角色都明确自己的奖励信号，从而拥有自己独特的目标（比如夺取旗帜）。此外，他们利用双层流程（two-tier process ）来优化内部奖励，通过这些奖励加强学习，来制定最重要的游戏策略。每个角色都单独玩了大约450,000场比赛，相当于拥有大约四年的经验。

训练过后的FTW在地图，团队名单和团队规模选择方面都可以作出有利的选择。他们学习了类似人类的行为，例如跟随队友，在对手的基地露营，以及在一波攻击中捍卫他们自己的基地。而随着训练的进行，他们还学会避免人类玩家的一些弱点，比如过于关注队友的行为。

在一场有40名人类参加的比赛中，人类和AI在比赛中随机匹配（对手或队友），结果，AI大胜人类玩家，FTW的Elo评级（相当于获胜的概率）为1600，而最好的人类玩家也只有1300，人类玩家平均评级为1050。

伦敦全球大学计算机科学教授，DeepMind科学家Thore Graepel表示，这项工作显示了多智能体培训（multiagent）推动人工智能发展的潜力。这是人机交互和系统相互补充或协同工作的研究的一个重大进步。

AI训练思路

游戏分为两个阵营，两方的大本营在游戏时候开会随机设置在地图的两端。游戏中的玩家可以在游戏地图中“瞎逛”，借助地图中的建筑物、数目以及其他物品与玩家进行互动。

在游戏中，如果一方用激光击败了其他玩家，被击中的玩家丢掉旗帜，回大本营重生。

DeepMind采用的AI玩家会和人类有同样的视角，AI不知道其他玩家的信息，包括位置、状态等。另外这款游戏比其他棋牌游戏更能接近真实的战场。AI玩家从零开始，用强化学习训练，在游戏的开始，真实加入战场的AI角色是随机选择的，这会使得智能体的行为更能接近最初设置的策略目标。

每个智能体都能够为自己制定策略，这意味着不同角色会采用不同的战术，即不同AI玩家有不同的专攻方向。

当然，也会有限制，即在每1000次迭代后，系统会比较策略并评估整个团队在模仿与学习能力。如果一个智能体的获胜机会低于另一个智能体的70％，那么较弱的智能体会复制较强的智能体。同时，强化学习还要求AI通过其他指标的对比进行调整。

AI玩家在一开始就像一张白纸，研究人员给他们的目标不仅是游戏结束时候的得分，还要关注在游戏前期的得分。研究人员指出，如果奖励机制只和游戏结果有关（输/赢/平局），显然限制太少，导致学习效果非常不好，所以需要考虑动态的奖励机制，即根据游戏的点数流来变动。

当初始位置是随机生成时，AI通常击败人类玩家。即使人类已经练习了12个小时，他们仍然能够赢得25％的比赛，平局6%，剩下的是负。

然而，当两名职业游戏测试人员得到一张特别复杂的地图时，这张地图AI并没有见过。重新让AI在这张地图上训练的话，只需要6个小时的训练就能脱颖而出。

这一结果没有在论文说明，而是在向新闻界提供的一份补充文件中作了说明。

目前人们仍然可以在经过精心设计的定位战中击败AI，因为现实生活很少提供这样复盘重来的机会，毕竟淮海战役只能打一次！