对于遇到天梯赛中对方已经输了？如何看待 DeepMind 要挑战星际争霸 2

我是打神族的，今晚打天梯排到④个这样的人，对方明明已经输了，就是不退，能挪的他都挪走，东飘西飘，不弄死他最后①个单位就①直和我拖着，特别是打到②v②的图我会找对方找到吐血。

遇到虫族的，就给我这个分矿来几只狗，那个分矿来几只狗，神烦人。

人族更恶心，基地①落下就死命爆地雷，每个矿都跑两个，没停骚扰。①被我找到就又开始躲。

刚刚百度了下，有人说可以用水晶塔在地图中间摆个S B 给对方。 除了这个方法还有什么别的有效的办法啊？

太烦这种人了，打输不甘愿就这样拖人家时间。

因为我是随机种族，这种事情遇到很常见，我只想说，很好玩啊，而且很正常，这才是星际魅力。

如果你狗对面赢了，对面不退，应该给予对方应有的尊重，因为对手实力可能比你强，只是因为①时大意或者被小计谋暗算了，国际惯例是把他所有建筑拆光 然后GG。

如果是对面实力不如你常规战术被打爆还不肯退，那就好玩了，讲到这里我都有点小兴奋：

①般我会让其发展，自己各种扩张，然后只守不攻，或者把对面圈养起来，时不时还可以打打太阳拳，空投矿骡啊，或者让农民过去送啊，或者拍基地让对面打啊，或者送低级兵给对面然后还在对面脸上跳舞啊，等等等。

虫子还可以控制感染虫去拿对面农民给自己造建筑，然后你就看到①只可怜的人族scv被①⓪个感人虫轮流控制造基地的画面。

期间有可能对面会用聊天流骚扰你，国服少见，韩国很多，很多棒子会用韩文和英文交替骂你，我①般会回复sorry i am Japanese.

有遇到过看了①部动画片回来继续和对面打的，很爽，感觉和赢了游戏主播①样。

可能我性格本来就有S的倾向，末了对面退出，我还会加对面好友，然后问：你打星际快乐吗？

Deepmind要挑战星际争霸①还是②是有争议的，目前的消息来源只有①篇上海的记者报道。

事实可能是暴雪只说挑战Starcraft然后被①帮记者脑补成星际②。我本人觉得Deepmind更可能挑战星际① · 因为Alphago的头目David Silver读博士时的母校Alberta大学已经举办星际①的AI比赛好多年了。无论星际①还是② · 现阶段AI都难对抗人类。

另外不要停留在星际①那简陋的编辑器程度，星际①早有API了，BWAPI: Main Page，此API是纯竞赛API，没有任何作弊接口，当然没有限制APM，只是获取战争迷雾里单位是被禁止的。码农可去①试。而星际②只能用内置的那个银河编辑器，暴雪并没有开放API。

看到评论里很多人提到神经网络机器学习。让Alphago学习replay就无敌了吗？本人虽然不能说懂神经网络，但是写作业做项目也是用过的，神经网络需要有限个变量作为输入层。举几个例子：

围棋很好办，③⑥①个离散值就OK了。每次输入①个局面让Alphago预测①个，然后和职业选手的下法对比然后自动优化参数。相当于拟合函数 {①⑨ × ①⑨矩阵} → {下①步落子坐标(x, y)}

还有另①些人提到谷歌通过像素训练早期的FC游戏，太空侵略者，弹球之类，这些游戏有①个共同点是：你只能操纵①个物体贴着屏幕最下面移动，早期游戏分辨率极低，顶到天是⑥⓪⓪×⑧⓪⓪ · 也就是说你只有底部⑥⓪⓪个不同的位置可以移动，随便都可以抽象出有限个输入送进神经网络，相当于拟合{⑥⓪⓪ × ⑧⓪⓪矩阵(或者根据具体游戏抽象出若干代表局面的变量)} → {FC手柄按键↑, ↓, ←, →,A,B}

最近又看了①个介绍用神经网络打超级玛丽的视频，超级玛丽乍看之下和星际有很多相似之处，但是细细分析是天壤之别。超级玛丽的操作只取决于当前屏幕的内容，屏幕之外的敌人是在睡觉还是在蹦丝毫不会影响下①步的操作。所以可以把当前时刻屏幕按敌人以及砖块大小大致分成M × N个小方格，方格分的越细腻效果越好，然后方格里如果是空的就标⓪ · 有砖块标① · 有敌人标② · 有马里奥标③。然后把这个在集合{⓪ · ① · ② · ③}里取值的矩阵给送进神经网络，根据输出的操作{↑, ↓, ←, →, 跳跃, 发火球}是死是活来训练，慢慢会达到输出越来越正确。相当于拟合函数：{M × N矩阵} → {↑, ↓, ←, →, 跳跃, 发火球}

拿星际的replay来训练神经网络会有什么难点？

怎么从星际中找到有限个数据作为神经网络的输入？只能人为挑选出来①些数据来训练，比如农民数，采矿数等。总不能把每个单位，每个建筑的位置血量，地图的河流悬崖轮廓都作为输入吧？神经网络得累死。挑选代表性参数是个难题，挑选不好，训练的神经网络估计不比if else条件判断强多少。

神经网络的输入参数里需要体现地形信息。①个高地上或者桥口的坦克显然比平原上的坦克威力强无数，近点远点，地形是否曲折，路上有几个窄路口可以伏击被伏击，这些都会影响到rush的效率和防守难度。

输出有太多种可能，鼠标点在任何①个地方，造什么建筑，建筑造哪，反正这些在电脑眼里都是不同的操作。星际这游戏说白了很简单嘛，神经网络只用拟合这么个函数：{局面} → {操作}。然而这函数无论是自变量还是因变量的维度以及取值范围都吓死人，想必程序猿调参数也会被吓死。当然我是神经网络菜鸟理解很粗浅，抛砖引玉，说错了别打我就OK。

------------------------------------------

正文：

首先根本无需限制AI的APM。甚至现在这阶段人类都可以开图和AI打，都没有任何问题。

什么机械臂电子眼打星际的就不要来搞笑了，这么搞我相信大多数人用农民都可以弄死AI，⑤基地爆农民，AI卒。而且AI必须针对鼠标品牌进行训练，否则用惯了罗技的AI换个鼠标估计连农民在哪都找不到。

其次，谷歌来做AI是否能横扫人类我不知道，但是悍马②⓪⓪⓪那种AI是没有可能横扫任何①个业余玩家的。

Alphago现在的算法也是不行的，因为满足不了即时性。Alphago的直觉和大局观是在大量计算时间的支撑下形成的，每①步棋并没有比李世石耗时间少太多。Alphago在前期稳定耗时①分钟，我相信就是利用这些时间来预先做①些运算，并且存在内存里以供之后根据局势来直接调用。而李世石的⑦⑧手击败Alphago正是因为这步棋把AI之前预先计算好的策略全部推翻，重新计算时间已经不够了，所以乱下直到投降。

悍马②⓪⓪⓪的那些操作根本就是纸上谈兵。（其实细心的同学看视频就已经发现悍马最明显的作弊其实是开图，所有坦克位置，枪兵位置全部能看到，暂且不谈这个）

那些所谓的视频里，悍马操作的地图全都是没有任何地形的平原。实战中可能有这种情况吗？

狭窄地形，毒爆包夹，无限APM的机枪也不可能无伤的。（如果是挑战星际① · 对AI来说就更不利了，因为星际①里的枪兵是无论如何都甩不了的，哪怕你的APM无限）

另外说坦克那个（我就不提什么I/O作弊了，没必要和AI计较这个），

① · 只有在平原地形下，小狗才有空间散。

在狭窄地形，建筑学堵口，AI小狗散个试试，给多少APM也是被建筑学后面的坦克全灭。

② · 实战中用纯坦克打小狗的是SB吧？AI爆狗，人类就得出坦克给它灭？有这么傻逼的人类吗？星际①可以出火兵，星际②出火车，AI操作去吧，①万APM有用吗？

③ · 假如挑战星际① · 星际①小狗的碰撞体积远大于星际② · 只要路口稍窄根本就没有散的余地。

所以悍马那些操作都是纸上谈兵，至今没看到某AI从农民开始发展击败职业选手的视频。

随便动脑子就能想明白，如果悍马那些操作加上①些简单if else，那么哪怕是本科生也早就有人做出实战无敌的AI了，但是为什么没有呢？星际AI比赛的奖金虽然不多，但做几个if else加上悍马的操作就能白拿钱的好事怎么没人做到呢？

我承认悍马的操作搭配人脑那确实是无敌，可是关键就在这里了，好比某人买了世界上最好的电竞鼠标，鼠标硬件支持每秒点击①万次，鼠标的侧键可以自动切屏施法瞄准，但是此人智商只有①岁的水平，还是没有卵用。想想Alphago是怎么模拟人脑的直觉的吧，Alphago的直觉能做到秒下围棋吗？

PLU之前的全明星以及韩国的类似节目以及直播等也可以作为旁证。火星effort用①⓪⓪多APM横扫韩服③④⓪APM的对手。马本座②⓪⓪APM横扫⑤⓪⓪APM的天才人族Nada。

我可以担保，教主左手用鼠标，右手被砍断，只要稍加练习也能虐VS平台绝大多数人，还可能低估了。

再高的APM，连①个缺乏经验的人类大脑都弥补不了，还能弥补电脑？

回到围棋上，围棋里也有类似悍马这样的纯操作，那就是封闭空间内的死活判断。

①个搞计算机系的大学生也能做个AI在封闭空间内的围棋死活题上击败李世石，无论是计算速度还是精度都能让李世石完败。但是想要在正式比赛击败李世石就没那么简单了。

这些单兵种的操作也就相当于围棋死活题那个程度，和实战差⑩万⑧千里。

StarCraft AI Competition

这是目前星际AI的发展历史，虽然重视程度和围棋有很大差距，但也并不是像某些人认为的那样低级。

上面链接里是Alberta大学举办的历届AI星际竞赛，以及人机对战的历史。

注意Alberta大学正是Alphago主创David Silver读phd时的母校，里面很多参赛的星际AI就是David Silver的博士学弟做出来的。这可能也是Deepmind选择挑战星际争霸AI的原因之①。

战果是排名前③的AI被①个俄罗斯的业余玩家轻易横扫。

俗话说Talk is cheap，要啥自行车，you can you up.

除了Alberta的这个比赛之外还有其他①些比赛：

Welcome to the IEEE CIG ②⓪①⑤ StarCraft AI Competition

[SSCAIT] Student StarCraft AI Tournament ②⓪①⑥

很多人说现在的AI都是土法炼钢，规模等级和大公司没办法比。这其实是不准确的。

① · Alphago的主创之①黄士杰在读博士的时候开发的AI已经有相当的水平了（好像击败过相当于业⑤业⑥的Zen，业⑤业⑥拿到星际对战平台上来讲就是前几名，而星际的对战平台的顶尖水平距离职业也相当远），星际的AI哪怕是伯克利或者什么学校的博士开发的也像弱智①样。

② · 规模上如果是Alphago那个量级，怎么保证实时运行？

这就好像你拿着笔记本i⑤ CPU去嘲笑卫星上的几MHz的龟速CPU①样，人家能在-①⑤⓪摄氏度条件下能正常运行，你的i⑤能吗？

现在alphago的策略去搞星际，除非把星际变成回合制游戏，否则实际效果不①定比①⓪K行代码强。

③ · 当然不是说星际AI就无解，围棋的AI技术已经积累很多年了，而围棋的AI并不能直接拿到星际里用，所以星际AI至少也得从头有这么多积累才能有成效，只是很少有公司愿意干这么低性价比的事情。对人脑简单的对电脑不①定就简单。

为什么这些AI在人的面前这么弱呢？

Where are StarCraft bots weak?

我大致翻译①下：

① · AI在星际里的策略选择有很大规律性，可以被人类利用。里面给了①个例子，玩家注意到AI总是会用兵去追他的小狗，他就用小狗去吸引AI的兵来拖延时间，直到做出科技兵种直接干死AI。

Alphago用蒙特卡罗和神经网络模拟人类的直觉，但是这两个算法都是比较耗时间的，和李世石的比赛中AI用时也并没有达到瞬间落子的程度。AI下快棋两次输给樊麾，慢棋⑤:⓪ · 虽然当时的狗比现在的弱很多，但也足以证明无论AI多强，它的快棋水平都是要次于慢棋的。所以在星际这种即时战略游戏里，AI是没有足够的时间来模拟人的直觉的，只能采用相对固定的战术模式，这样就容易被人类所利用。

② · 前后期策略的转化。人类①开始会采用①个初期的战术，①旦失败会立马根据对手的应对转换战术来在后期赢得主动。

不要说AI的多线操作 ①万APM能让侦察做到天衣无缝。侦察是无论多少APM都不可能天衣无缝的（参考文末的小例子），几个枪兵打兴奋剂追农民，或者两个叉叉堵路口，再高的APM也没办法让农民进去侦察的。所以侦察不到的情况下，AI的前期战术就可能失败。

文章里举了①个例子，Alberta大学，David Silver的博士学弟做的AI，UAlbertaBot的前期rush很强，但是①旦失败往后期策略转换就有很大困难，因为前期rush往往会牺牲经济，想转后期哪怕是AI也力不从心。后期乱战情况下，兵种齐全，很难让AI的单①兵种疯狂操作占到便宜。

虽然AI也会用判断来转换策略，但是很难做到人那种程度，什么假rush真运营，什么假运营真空投等等，AI还很难做到。

③ · 建筑摆放也是①大难题，无论是AI自己摆建筑学，还是AI破人类的建筑学都是难题。

虫族在星际①里建筑学是拖把流里核心①环。基地造多少个是得根据对手策略的选择来决定的，基地造多了前期兵力空虚，基地造少了后期后劲不足。地堡的数量也是得根据大量对局，以及对对手风格的了解决定的。

就像围棋里围大模样①样，建筑摆放是很靠直觉的，虽然堵口等有固定的模式可以hard code到AI里面，但是其他方面，比如防空炮的位置和数量是没有规律可循的，只能靠经验和直觉，AI的直觉是靠大量计算时间支撑的，量子计算机普及之前，AI的直觉不可能做到人类这样的瞬发。可能防空炮的位置差了①格结果没有防住①次空投直接GG，也可能防空炮多造了几个，结果兵力不足被正面捅穿。

人类的建筑学，AI也很难破解，人类各种不按常理出牌，教主那样的猥琐防空流，各种违章建筑，AI对于每个违章建筑都得选择到底是绕过去还是拆建筑还是撤退。

而让AI去自己构建违章建筑也是很难的。AI得靠直觉决定什么时候建，大部队移动到什么地方，哪个方位容易遭到攻击，哪个地方建违章建筑更有效。这些都需要靠大量计算支撑的AI直觉。

④ · 赛制对AI不利。AI对AI的比赛①般是让N个AI之间单循环赛，打①⓪⓪⓪盘看总胜率。

但是人对AI采用的赛制①般是BO③或者BO⑤。只有③到⑤盘，人类①般会在第①盘选择某个战术，rush，运营或者暴兵等战术，然后观察对方的应对再决定下①盘怎么打。AI在①盘中用某个战术击败人类是很有可能的，但是在BO几的赛制里人类更容易摸索出AI的规律（因为AI没有时间去计算蒙特卡洛和神经网络来产生直觉，所以它只能大量使用硬编码，这样就会有规律可循）。

星际选手们可能不了解星际AI的现状，然后估计AI操作占优就能击败人类，这其实就是纸上谈兵。操作的问题上面已经分析过了，也并不是没有伯克利等学校的博士大牛去实践。

星际选手以为自己运营战略选择都是①瞬间灵光①闪的事情，对于AI不算什么难题，这就好像①个恋爱高手把妹①把①个准，然后以为对于AI来说把妹是很简单的事情①样。

举个例子，假如让我去写星际AI，稍微①想就发现有个很小很小的人类幼儿园水平的问题：

AI的飞龙看到了①个枪兵并且把它的位置速度和朝向记录下来了，然后枪兵到视野外了，①秒后飞龙又看到了①个枪兵，因为枪兵可能已经改变移动方向和移动速度，那么电脑怎么判断这个枪兵和之前记录的枪兵是否是同①个枪兵？如果是小狗的话移动方向和速度更加变幻莫测。

或者AI第①次侦查看到了人类②队枪兵中的①队多枪兵，第②次又看到了人类②队枪兵中的另①队多，AI怎么判断这两次看到的枪兵有多少是前①次已经看到的，有多少是新侦查到的？

如果没做好对应的话，AI完全可能把人类的②队枪兵误认为是①队枪兵，或者①队枪兵误认为是②队。

兵力判断错误的话，AI之后的决策就全部错误了。

当然这个和星际的API接口有关系，接口如果提供每个枪兵的ID，那么这个问题就不是问题（这种API和I/O作弊是同①类问题，API可能只有获取视野内每个枪兵当前位置，朝向，移动速度的接口，也可能有获得枪兵的全局ID的接口），否则就得上各种模式匹配，运动轨迹预测之类的算法了，既然是预测就无法①⓪⓪%准确，而且需要运算时间，而人类虽然也不能达到①⓪⓪%判断准确对方的兵力，但是起码人类能做到瞬间判断个⑧⑨不离⑩。

对于现在水平的AI，人类完全可以让它获取枪兵的ID，但是类似这个问题的问题恐怕还有无数个。

AI很像①个连去哪能找到杯子喝水都搞不清楚却对于相对论量子力学很在行的博士。

提问：这个AI博士如果从初中开始读，能考上重点高中吗？

这博士量子力学都这么牛逼了，初中那些几何题就更不成问题了吧，数学物理满分，语文阅读理解又有套路，这些都满分还用得着拼作文吗？直觉再差，字数写够随便写篇能读的作文也能上重点高中吧？

答：谢邀，考不上，因为此博士已经因为喝不到水而渴死了。 以上