业内：相比操控，AI运营能力值得关注
由于信息不对称、玩法复杂繁琐、策略瞬息万变等特点，让外界看来《星际争霸II》或许是人类在游戏领域人机对战最后一块“遮羞布”。
“星际争霸作为当前难度最高的即时策略游戏，首先存在"战争迷雾"机制，使得AI无法得知未探索区域玩家现阶段在布置何种战术，因此无法做出最优选择。“国内顶尖职业玩家TIME赛前曾向南都记者表示，游戏中的资源控制、升级顺序、种族与兵种间的互相等种种游戏细节，需要操作者对游戏平衡性有较为深刻的了解。
直播现场，DeepMind团队向外界介绍，他们通过回放了大量人类玩家游戏时的视频，对AlphaStar进行深度训练，让AI通过观察一个人所处的环境，尽可能地模仿某个特定的动作，理解游戏基本知识。
之后，团队使用了一个称为“Alpha League”的方法，从人类数据中训练出来的神经网络进行对抗，期间进行迭代与产生新的Agent（注：“智能体”、“代理人程序”，计算机术语）和分支，而Agent通过强化学习过程与“Alpha League”中的其他竞争对手进行对抗，积累面对不同的策略的经验，并从中最不容易被利用的5个Agent，命名为“the nash of League”，参与与人类职业选手的对抗。
DeepMind团队公布的视频显示，AphlaStar对上第一个职业选手TLO，为Liquid战队的“虫族”选手，目前世界排名第68。
由于规则设定，TLO只能使用“神族”，这对他的实力是有较大的约束的，而比赛他也是以5：0的比分落败。其中，AphlaStar的游戏操作十分亮眼。在接送、点残血、后退、骚扰等游戏细节和操控上，AphlaStar都游刃有余，有相关人士分析道，“AphlaStar在控制众多单位时对攻击距离的把握相当精确，这在游戏职业玩家中都算是比较极限的操作了，而AI能够较为轻易的是用出来”。
正是因为拥有强大的操控能力，使得AphlaStar能够精确的控制30个中级兵种单位的对抗MaNa手中的高级兵种单位，实现“以下克上”的效果，这在以往职业赛场是十分罕见的。
有专家表示，相比于游戏操作，更值得关注是AphlaStar的运营能力。在之前与MaNa的比赛视频中，AphlaStar方面不断的派着兵去骚扰MaNa基地，干扰对方发展，以至于AphlaStar经济常常是领先的。
目前短板：局势判断和应变能力“其实AI完成微操并不难，只要进行相对应的神经网络算法与强化学习，大部分AI都能达到。”有人工智能专家告诉南都记者，难就难在AI在大局观上与决策上，目前缺少一定的游戏局势判断和应变。
这种不足在MaNa与AphlaStar的现场对决中便显现出来。虽然此前MaNa同样以5：0的比分输给了AphlaStar，但是现场对决上MaNa则是拿捏到了AphlaStar的“命脉”。
虽然AphlaStar在运营能力与操作水平都占据上风，但是MaNa还是通过骚扰战术，让AlphaStar数十个单位的“追猎”来回往返前线和家中，逼迫后者陷入循环执行某种任务的怪圈，让其无法形成有效的局势判断，而最后MaNa通过强大的兵力压制，获得了胜利。
从“菜鸟”到“大师”,仅用两年时间
此前，2016年3月的WCS中国区总决赛上，暴雪娱乐制作总监Tim Morten就曾确认DeepMind的AI将挑战《星际争霸II》的消息。
不过，到2017年8月，DeepMind方面曾表示，AlphaGo还无法像人类一样同时处理多种事物，《星际争霸II》等即时策略类的游戏的操作空间太大。AI对其探索还处在非常早期的阶段，不仅需要训练各种“常识”，而且在面临突发情况时的应变能力也有所不足。
在2018年11月暴雪方面提到DeepMind的《星际争霸II》AI进展时，表示：“一旦人工智能模型掌握游戏的基本规则，它就可以开始进行如带农民Rush开局等有趣的行为。此外，在与“疯狂”难度的《星际争霸II》的AI模型对阵的时候，获胜概率可以达到50%。”不过，有职业选手曾对南都记者表示，“疯狂难度”的人机强度不大，“我们平时训练都用不上，对上它的胜率也接近100%。”
只用了短短两年时间，AI技术便在对抗人类职业选手中取得优势。
“我们正在试图理解人类以及我们大脑的工作方式。”暴雪首席软件工程师Jacob Repp向外界传达他们行为背后的逻辑，“如果我们能够得到这种高质量的数据流——人类玩游戏时的原始输入以及由此产生的结果——那就能成为研究人们行为的有用数据。”
