去年，OpenAI 在 DOTA 的 1v1 比賽中戰(zhàn)勝了職業(yè)玩家 Dendi，而在距離進階版 OpenAI Five 系統(tǒng)戰(zhàn)勝人類業(yè)余玩家不過一個月的時間，凌晨，它又以 2:1 的戰(zhàn)績再次完成對人類高級玩家的“屠殺”，GG（人類贏的最后一局純屬耍賴）。

相比之下，人類這次輸給的是怎樣的進階版“AI 英雄”？

此次，OpenAI Five 對陣 5 個高級玩家（解說員+前職業(yè)玩家）——Blitz, Cap, Fogged, Merlini 和 Moonmeander，他們的平均天梯分 6000 以上。反觀 OpenAI Five，根據(jù)公開資料，它的實力相當于人類玩了 180 年的游戲，而且每天都與自己進行對抗學習，學習過程非常復雜，需要在 256 個 GPU 和 128,000 個 CPU 上運行擴展版本的近端策略優(yōu)化（PPO）進行訓練。

它對每個英雄使用了單獨的 LSTM（長短期記憶遞歸神經(jīng)網(wǎng)絡），并且沒有人類數(shù)據(jù)，它會學習可識別的策略，這表明強化學習可以產(chǎn)生可實現(xiàn)規(guī)模的長期規(guī)劃。

此外，就應用環(huán)境而言，不同于棋牌游戲的固定規(guī)則，像 DOTA2 這樣的復雜視頻游戲是 5v5 對決的戰(zhàn)略游戲，況且，DOTA 游戲已經(jīng)不斷開發(fā)了十幾年，游戲邏輯中有數(shù)十萬行代碼，且每兩周更新一次，游戲語義在不斷產(chǎn)生變化。

因此，AI 玩 DOTA 的難度可想而知，它首先需要解決以下四大問題：長時視野；局部觀察狀態(tài)；高維、連續(xù)的動作空間；高維、連續(xù)的觀察空間。

模型架構(gòu)

OpenAI Five 的每個網(wǎng)絡都包含一個單層的、1024-unit 的 LSTM，它可以查看當前的游戲狀態(tài)（從 Valve 的 Bot API 中抓取），并通過幾個可能的 action heads 發(fā)出動作。每個 head 都具有語義含義，例如延遲動作的刻度數(shù)，選擇哪一個動作，該動作在單元周圍網(wǎng)格中的 X 或 Y 坐標等。Action heads 是獨立計算的。

OpenAI Five 使用觀察空間（observation space）和動作空間（action space）進行交互式演示。OpenAI Five 將世界視為 20000 個數(shù)字的列表，并通過發(fā)出一個包含 8 個枚舉值（enumeration values）的列表來執(zhí)行操作。通過選擇不同的行動和目標，我們可以了解 OpenAI Five 如何編碼每個動作，以及如何觀察世界。下圖是人類會看到的場景。

OpenAI Five 可以對與它所看到的相關的丟失狀態(tài)片段做出反應。例如，直到最近，OpenAI Five 的觀察區(qū)域才包括狙擊手的技能范圍（子彈落在敵人身上的區(qū)域）。然而，我們觀察到 OpenAI Five 可以學習走出（雖然不能避免進入）狙擊手的技能范圍，因為當進入這個區(qū)域時，它可以看到自己的血量是在減少的。

探索

就算有學習算法能夠處理較長的視野，我們?nèi)匀恍枰獙Νh(huán)境進行探索。因為即使我們設定了各種限制，仍然有數(shù)百種道具、幾十種建筑、法術、單元類型、長尾游戲機制，以及因此產(chǎn)生的各種組合，想要有效地探索這個巨大的空間其實并不容易。

OpenAI Five 可以從隨機權重開始，從自我博弈中學習。 為了避免“策略崩潰”，智能體在訓練的時候，80％ 的游戲都是自我對抗， 另外 20％ 則是與過去的自己進行對抗。在自我對抗時，英雄首先會漫無目的繞著地圖游走。經(jīng)過幾個小時的訓練后，智能體開始有了一些概念，例如建造、中路對線等。幾天之后，他們始終采用基本的人類策略：試圖從對手那里偷走 Bountyrunes等。 通過進一步的訓練，它們可以熟練掌握 5 個英雄集中推塔的高級策略。

OpenAI Five 使用了 1v1 機器人里的隨機化的方法 。它還使用了一個新的路線分配（lane assignment）策略。 在每個訓練游戲開始時，他們隨機地將每個英雄“分配”到一些 lane 的子集，在到隨機選擇的時間之前，如果英雄偏離這些路線，就會受到懲罰。

當然，也有獎勵來幫助智能體探索環(huán)境，主要包括凈值（net worth）、殺敵數(shù)（kills）、死亡數(shù)（deaths）、助攻（assists）、最后一擊（last hits） 等指標。他們通過減少其他團隊的平均獎勵，來對每個智能體的獎勵進行后續(xù)處理，以防止智能體找到正和博弈（positive-sum）的情況。

他們也對道具和技能構(gòu)建進行了硬編碼，同時，也通過腳本基線（ scripted baseline）引入了信使管理（Courier management）。

Rapid

這個系統(tǒng)的實現(xiàn)使用了被稱為“Rapid”的通用 RL 訓練系統(tǒng)，它適用于任何多人模式環(huán)境。

訓練系統(tǒng)分為 rolloutworkers，運行游戲副本，智能體（agent），用來收集經(jīng)驗，優(yōu)化器節(jié)點（optimizer nodes）執(zhí)行跨 GPU 組的同步梯度下降。每次訓練還包括分別對訓練機器人以及樣本機器人進行評估的組件，以及監(jiān)視軟件，比如 TensorBoard，Sentry 以及 Grafana。

在同步梯度下降運算過程中，每一個 GPU 組件都會運算自己負責的批處理部分的梯度計算，隨后整體梯度再進行平均計算。他們原本使用消息傳遞借口的規(guī)約算法進行平均計算，現(xiàn)在則使用英偉達的多卡通型框架 NCCL2 的封裝函數(shù)來實行 GPU 并行計算以及網(wǎng)絡間數(shù)據(jù)傳輸。同步 58MB 大小數(shù)據(jù)（用于 OpenAI Five 的參數(shù)）的延遲顯示在表格之中，延遲時間足夠低能滿足大部分數(shù)據(jù)被進行并行運算的 GPU 標記。

與人類的不同

OpenAI Five 獲取的信息和人類完全一致，但是系統(tǒng)能馬上反應到類似位置、生命值以及物品更新情況等等人類玩家需要定時觀察的信息。OpenAI Five 的平均 APM 在 150-170 之間(理論上最快可以達到 450 考慮到每四幀一動)，平均反應時間為 80 毫秒，比人類平均速度要快很多。

很多職業(yè)選手在去年 TI 結(jié)束后都使用 bot 進行訓練。根據(jù) Blitz 的說法 solo bot已經(jīng)改變了人們對 solo 賽節(jié)奏的看法，bot 偏向于快節(jié)奏風格，現(xiàn)在大多數(shù)選手也已經(jīng)使用快節(jié)奏風格來和 bot 抗衡。

AI 在 Dota2 中的節(jié)奏和執(zhí)行力非常強了，這是不是意味著它沒有優(yōu)化空間了？當然不是，此次的 OpenAI Five 還是有諸多限制，比如系統(tǒng)在進行最后一擊時較弱，其客觀優(yōu)先級與一個共同的專業(yè)策略相匹配，獲得戰(zhàn)略地圖控制等長期獎勵往往需要犧牲短期獎勵。

Open AI 方面稱，在今年后續(xù)的 TI 表演賽上，還會有職業(yè)玩家繼續(xù)挑戰(zhàn) AI，但結(jié)果想來也是實力“嘲諷”人類?；蛟S，更讓人期待的是，在 Dota2 這樣的復雜游戲中，是否會出現(xiàn)“AI vs AI”的神仙打架比賽？