AlphaStar背后的技术未来可以用在天气预测和气候建模中，学术论文不久将会刊登。
本文由腾讯新闻、量子位共同出品，作者系量子位 边策 栗子 夏乙 ，腾讯新闻同步首发，未经授权，不得转载。
5分36秒的战斗后，LiquidMaNa打出：GG。（编者注：GG是最先产生于韩国的一局星际比赛之中的一个礼貌用语。在竞技游戏，例如‘魔兽争霸’、‘星际争霸’、‘DOTA2’中 ，输的那一方在退出前打GG‘good game’，表示认输也间接称赞对方打的不错。）
DeepMind开发的全新AI程序AlphaStar，在今天凌晨的《星际争霸2》人机大战直播节目中，轻松战胜2018 WCS Circuit排名13、神族最强10人之一的MaNa。
实际上，AlphaStar以10-1的战绩，全面击溃了人类职业高手。
战败的不止MaNa，还有另一位高手TLO。
人工智能在《星际争霸2》上的进步速度，远远超过了此前外界的预期。毕竟与下围棋这件事相比，星际2要难得多。
在围棋世界，动作空间只有361种，而星际2大约是10的26次方。
与国际象棋或围棋不同，星际玩家面对的是不完美信息博弈。“战争迷雾”意味着玩家的规划、决策、行动，要一段时间后才能看到结果。
这意味着，AI需要学到长远的布局谋篇的策略能力。
即便如此，AlphaStar最终还是学会了如何打星际2。即便此次黄旭东保持克制、谁也没奶，但既定的事实已经无法更改。
直播进行到一半，就有网友在他的微博下留言：比国足输伊朗还惨。
尽管10战连败，人类职业高手仍然人工智能不吝称赞：不可思议。MaNa说，我从AI身上学到了很多。以及，今天最后一局MaNa也为人类争取到仅有的胜利！
赛后，TLO的说法跟李世乭输给AlphaGo后很像。他说：相信我，和AlphaStar比赛很难。不像和人在打，有种手足无措的感觉。他还说，每局比赛都是完全不一样的套路。
为什么AI这么强？别的先不展开讲，这里只说一个点。其实在比赛之前，AlphaStar的训练量，相当于打了200年实时对抗的星际2。
总而言之，谷歌DeepMind历时两年，终于让人工智能更进一步，AlphaGo有了新的接班人AlphaStar。
DeepMind CEO哈萨比斯说，AlphaStar的技术未来可用于预测天气、气候建模等需要very long sequences的应用场景。
一次里程碑意义的战斗，落下帷幕。
一次人类的新征程，正式开场。
AlphaStar：10-1
实际上，今天的人机大战主要内容并不是直播，而是回顾人机大战的结果。简单交待一下相关信息，比赛在Catalyst地图上进行，这张地图中文名叫“汇龙岛”。
图上设置了很多隘口和高地，网友说，这张图群龙盘踞，大战一触即发，官方称“能创造出许多有意思的进攻路径和防守阵形”。
游戏版本是去年10月的4.6.2，双方都使用神族（星灵）。
第一场比赛，发生在去年12月12日。
AlphaStar对TLO。
人类选手TLO开局两分钟后就率先发难，不过AlphaStar扛下来，并且逐渐扭转了战局，迅速累积起资源优势。
5分钟左右，AlphaStar以追猎者为主要作战单位，开始向TLO发起试探性的攻击。并且在随后的时间里，持续对TLO展开骚扰，直至取胜。
DeepMInd介绍，比赛中，实际上AlphaGo的APM比TLO要低。AlphaStar的APM中值是277，而TLO的APM中值是390。而大部分其他bot的APM，都高达几千甚至数万。
前三局基本都是这样。TLO说第四局就像换了个AI一样，打法完全变了，很接近典型神族打法。
当然，他又输了。这个感觉没错，其实他每次对阵的AI都不一样……
最后的结果是0-5，TLO一局没赢。不过他说：如果我多练练神族，我能轻易打败这些AI。毕竟TLO这些年一直主要在练虫族。
五局比赛打完，DeepMind团队为了庆祝喝了点酒，产生了一个大胆的想法：
再训练训练，和玩神族的职业选手打一场。
于是，快到圣诞节的时候，他们请来了Liquid的神族选手MaNa。
第二场比赛，发生在去年12月19日。
据说，MaNa五岁就开始打星际了。
在对战MaNa之前，AlphaStar又训练了一个星期。双方展开较量之前，MaNa只知道TLO输了，不知道是5-0，而且，明显没有TLO上次来那么紧张。
面对神族最强10人之一，DeepMind认为比赛会很精彩，但对胜利没什么自信。
双方第一局对决，AlphaStar在地图的左上角，MaNa在右下。4分钟，AlphaStar派出一队追猎者，开始进攻。基本上算是一波就推了MaNa。
正如开始所说，5分36秒，MaNa打出GG。
然后第二局也输了。这时候MaNa紧张起来，第三局决心翻盘。7分30秒，AlphaStar出动了一支大军打到MaNa家，MaNa GG。
最精彩的是第四局，MaNa的操作让现场解说叹为观止，他自己赛后也坦言”真是尽力了“。但最后，他的高科技军团在一群追猎者的360度包围下，全灭。MaNa打出了GG。
而且，AlphaStar完成360度包围这一高难度操作时，APM只有250左右。
第四局全程：
视频地址：https://v.qq.com/x/page/f0831cwrjm1.html
需要说明的是，其实在这局比赛中，AlphaStar的APM几乎已经失控，几度飙到1000多。量子位抓到了一些这样的瞬间。
MaNa说，输了好失望，我能出的单位都出了，最后输给了一群追猎者？他还说，AlphaStar的微操太厉害了。incredible。跟AI学东西，这种经历挺好。
人类扳回一城
今天的直播的最后，是现场的表演局（Exhibition game），直播MaNa对战AlphaStar。
在这场比赛中，MaNa采用了一种更激进的打法，一开局就造了更多的农民（探机），这说不定是上个月刚刚跟AlphaStar学来的战术。
12分钟后，MaNa一路拆掉AlphaStar的各种建筑，击败了无法打出GG的AlphaStar。
总算是帮人类挽回一些颜面。
这场比赛，全程在此：
自动播放
AlphaStar对MaNa直播局
正在加载...
另外DeepMind也放出了全部11局对决的视频，有兴趣可以前往这个地址查看：
https://deepmind.com/research/alphastar-resources/
之前的10局比赛，DeepMind还拍成了一个纪录片。
AlphaStar星际2人机大战纪录片
解读AlphaStar
DeepMind和暴雪周三发出预告后，热情的网友们就已经把各种可能的技术方案猜了一遍。
现在答案揭晓：
AlphaStar学会打星际，全靠深度神经网络，这个网络从原始游戏界面接收数据 (输入) ，然后输出一系列指令，组成游戏中的某一个动作。
再说得具体一些，神经网络结构对星际里的那些单位，应用一个Transformer，再结合一个深度LSTM核心，一个自动回归策略 (在头部) ，以及一个集中值基线 (Centralised Value Baseline)。
DeepMind团队相信，这个进化了的模型，可以为许多其他机器学习领域的难题带来帮助：主要针对那些涉及长期序列建模、输出空间很大的问题，比如语言建模和视觉表示。
AlphaStar还用了一个新的多智能体学习算法。
这个神经网络，经过了监督学习和强化学习的训练。
最开始，训练用的是监督学习，素材来自暴雪发布的匿名人类玩家的游戏实况。
这些资料可以让AlphaStar通过模仿星际天梯选手的操作，来学习游戏的宏观和微观策略。
最初的智能体，游戏内置的精英级 (Elite) AI就能击败，相当于人类的黄金段位 (95%) 。
而这个早期的智能体，就是强化学习的种子。
在它的基础之上，一个连续联赛 (Continuous League) 被创建出来，相当于为智能体准备了一个竞技场，里面的智能体互为竞争对手，就好像人类在天梯上互相较量一样：
从现有的智能体上造出新的分支，就会有越来越多的选手不断加入比赛。新的智能体再从与对手的竞争中学习。
这种新的训练形式，是把从前基于种群 (Population-Based) 的强化学习思路又深化了一些，制造出一种可以对巨大的策略空间进行持续探索的过程。
这个方法，在保证智能体在策略强大的对手面前表现优秀的同时，也不忘怎样应对不那么强大的早期对手。
随着智能体联赛不断进行，新智能体的出生，就会出现新的反击策略 (Counter Strategies) ，来应对早期的游戏策略。
一部分新智能体执行的策略，只是早期策略稍稍改进后的版本；而另一部分智能体，可以探索出全新的策略，完全不同的建造顺序，完全不同的单位组合，完全不同的微观微操方法。
早期的联赛里，一些俗气的策略很受欢迎，比如用光子炮和暗黑圣堂武士快速rush。
这些风险很高的策略，在训练过程中就被逐渐抛弃了。同时，智能体会学到一些新策略；比如通过增加工人来增加经济，或者牺牲两个先知来来破坏对方的经济。
这个过程就像人类选手，从星际争霸诞生的那年起，不断学到新的策略，摒弃旧的策略，直到如今。
除此之外，要鼓励联赛中智能体的多样性，所以每个智能体都有不同的学习目标：比如一个智能体的目标应该设定成打击哪些对手，比如该用哪些内部动机来影响一个智能体的偏好。
而且，智能体的学习目标会适应环境不断改变。
神经网络给每一个智能体的权重，也是随着强化学习过程不断变化的。而不断变化的权重，就是学习目标演化的依据。
权重更新的规则，是一个新的off-policy演员评论家强化学习算法，里面包含了经验重播 (Experience Replay) ，自我模仿学习 (Self-Imitation Learning) 以及策略蒸馏 (Policy Distillation) 等等机制。
为了训练AlphaStar，DeepMind用谷歌三代TPU搭建了一个高度可扩展的分布式训练环境，支持许多个智能体一起从几千个星际2的并行实例中学习。每个智能体用了16个TPU。
智能体联赛进行了14天，这相当于让每一个智能体都经历了连打200年游戏的训练时间。
最终的AlphaStar智能体，是联赛中所有智能体的策略最有效的融合，并且只要一台普通的台式机，一块普通的GPU就能跑。
AlphaStar打游戏的时候，在看什么、想什么？
上图，就是DeepMind展示的AI打游戏过程。
原始的观察里数据输入到神经网络之中，产生一些内部激活，这些激活会转化成初步的决策：该做哪些操作、点击什么位置、在哪建造建筑等等。另外，神经网络还会预测各种操作会导致的结果。
AlphaStar看到的游戏界面，和我们打游戏时看到的小地图差不多：一个小型完整地图，能看到自己在地图上的所有单位、以及敌方所有可见单位。
这和人类相比有一点点优势。人类在打游戏的时候，要明确地合理分配注意力，来决定到底要看哪一片区域。
不过，DeepMind对AlphaStar游戏数据的分析显示，它观察地图时也有类似于人类的注意力切换，会平均每分钟切换30词左右关注的区域。
这，是12月打的10场游戏的情况。
今天直播中和MaNa对战的AI，就略有不同。
