open AI 在DOTA 5v5 比赛中战胜职业选手

640?wx_fmt=png

来源：AI科技大本营

摘要：去年，OpenAI 在 DOTA 的 1v1 比赛中战胜了职业玩家 Dendi，而在距离进阶版 OpenAI Five 系统战胜人类业余玩家不过一个月的时间，今天凌晨，它又以 2:1 的战绩再次完成对人类高级玩家的“屠杀”，GG（人类赢的最后一局纯属耍赖）。

去年，OpenAI 在 DOTA 的 1v1 比赛中战胜了职业玩家 Dendi，而在距离进阶版 OpenAI Five 系统战胜人类业余玩家不过一个月的时间，凌晨，它又以 2:1 的战绩再次完成对人类高级玩家的“屠杀”，GG（人类赢的最后一局纯属耍赖）。

相比之下，人类这次输给的是怎样的进阶版“AI 英雄”？

此次，OpenAI Five 对阵 5 个高级玩家（解说员+前职业玩家）——Blitz, Cap, Fogged, Merlini 和 Moonmeander，他们的平均天梯分 6000 以上。反观 OpenAI Five，根据公开资料，它的实力相当于人类玩了 180 年的游戏，而且每天都与自己进行对抗学习，学习过程非常复杂，需要在 256 个 GPU 和 128,000 个 CPU 上运行扩展版本的近端策略优化（PPO）进行训练。

640?wx_fmt=png

它对每个英雄使用了单独的 LSTM（长短期记忆递归神经网络），并且没有人类数据，它会学习可识别的策略，这表明强化学习可以产生可实现规模的长期规划。

此外，就应用环境而言，不同于棋牌游戏的固定规则，像 DOTA2 这样的复杂视频游戏是 5v5 对决的战略游戏，况且，DOTA 游戏已经不断开发了十几年，游戏逻辑中有数十万行代码，且每两周更新一次，游戏语义在不断产生变化。

因此，AI 玩 DOTA 的难度可想而知，它首先需要解决以下四大问题：长时视野；局部观察状态；高维、连续的动作空间；高维、连续的观察空间。

模型架构

OpenAI Five 的每个网络都包含一个单层的、1024-unit 的 LSTM，它可以查看当前的游戏状态（从 Valve 的 Bot API 中抓取），并通过几个可能的 action heads 发出动作。每个 head 都具有语义含义，例如延迟动作的刻度数，选择哪一个动作，该动作在单元周围网格中的 X 或 Y 坐标等。Action heads 是独立计算的。

OpenAI Five 使用观察空间（observation space）和动作空间（action space）进行交互式演示。OpenAI Five 将世界视为 20000 个数字的列表，并通过发出一个包含 8 个枚举值（enumeration values）的列表来执行操作。通过选择不同的行动和目标，我们可以了解 OpenAI Five 如何编码每个动作，以及如何观察世界。下图是人类会看到的场景。

640?wx_fmt=png

OpenAI Five 可以对与它所看到的相关的丢失状态片段做出反应。例如，直到最近，OpenAI Five 的观察区域才包括狙击手的技能范围（子弹落在敌人身上的区域）。然而，我们观察到 OpenAI Five 可以学习走出（虽然不能避免进入）狙击手的技能范围，因为当进入这个区域时，它可以看到自己的血量是在减少的。

探索

就算有学习算法能够处理较长的视野，我们仍然需要对环境进行探索。因为即使我们设定了各种限制，仍然有数百种道具、几十种建筑、法术、单元类型、长尾游戏机制，以及因此产生的各种组合，想要有效地探索这个巨大的空间其实并不容易。

OpenAI Five 可以从随机权重开始，从自我博弈中学习。为了避免“策略崩溃”，智能体在训练的时候，80％的游戏都是自我对抗，另外 20％则是与过去的自己进行对抗。在自我对抗时，英雄首先会漫无目的绕着地图游走。经过几个小时的训练后，智能体开始有了一些概念，例如建造、中路对线等。几天之后，他们始终采用基本的人类策略：试图从对手那里偷走 Bountyrunes等。通过进一步的训练，它们可以熟练掌握 5 个英雄集中推塔的高级策略。

OpenAI Five 使用了 1v1 机器人里的随机化的方法。它还使用了一个新的路线分配（lane assignment）策略。在每个训练游戏开始时，他们随机地将每个英雄“分配”到一些 lane 的子集，在到随机选择的时间之前，如果英雄偏离这些路线，就会受到惩罚。

当然，也有奖励来帮助智能体探索环境，主要包括净值（net worth）、杀敌数（kills）、死亡数（deaths）、助攻（assists）、最后一击（last hits）等指标。他们通过减少其他团队的平均奖励，来对每个智能体的奖励进行后续处理，以防止智能体找到正和博弈（positive-sum）的情况。

他们也对道具和技能构建进行了硬编码，同时，也通过脚本基线（ scripted baseline）引入了信使管理（ Courier management）。

Rapid

640?wx_fmt=png

这个系统的实现使用了被称为“Rapid”的通用 RL 训练系统，它适用于任何多人模式环境。

640?wx_fmt=png

训练系统分为 rollout workers，运行游戏副本，智能体（agent），用来收集经验，优化器节点（optimizer nodes）执行跨 GPU 组的同步梯度下降。每次训练还包括分别对训练机器人以及样本机器人进行评估的组件，以及监视软件，比如 TensorBoard，Sentry 以及 Grafana。

640?wx_fmt=png

在同步梯度下降运算过程中，每一个 GPU 组件都会运算自己负责的批处理部分的梯度计算，随后整体梯度再进行平均计算。他们原本使用消息传递借口的规约算法进行平均计算，现在则使用英伟达的多卡通型框架 NCCL2 的封装函数来实行 GPU 并行计算以及网络间数据传输。同步 58MB 大小数据（用于 OpenAI Five 的参数）的延迟显示在表格之中，延迟时间足够低能满足大部分数据被进行并行运算的 GPU 标记。

与人类的不同

OpenAI Five 获取的信息和人类完全一致，但是系统能马上反应到类似位置、生命值以及物品更新情况等等人类玩家需要定时观察的信息。OpenAI Five 的平均 APM 在 150-170 之间(理论上最快可以达到 450 考虑到每四帧一动)，平均反应时间为 80 毫秒，比人类平均速度要快很多。

很多职业选手在去年 TI 结束后都使用 bot 进行训练。根据 Blitz 的说法 solo bot已经改变了人们对 solo 赛节奏的看法，bot 偏向于快节奏风格，现在大多数选手也已经使用快节奏风格来和 bot 抗衡。

640?wx_fmt=gif