本文来自微信公众号：量子位（QbitAI），作者：问耕，原文标题：《Dota2冠军OG如何被AI碾压？OpenAI累积三年的完整论文终于放出》，Photo by Stackie Jia on Unsplash
Team OG，Dota2世界冠军战队。
在人工智能OpenAI Five面前，OG不堪一击。五个人类组成的战队，此前全程毫无悬念地以0:2败下阵来，两局加在一起，OG只推掉了两座外塔。
不过，这还不是AI的巅峰。
现在OpenAI又训练出了一个全新的AI，名叫Rerun。面对碾压OG的OpenAI Five，Rerun的胜率达到了……呃……98%。
听到这个消息，一位推特网友发图明志。
主要依靠自学，就能在Dota2这么复杂的游戏中称雄，人工智能是怎么做到的？今天，有关于此的答案揭晓。
没错，OpenAI不单发布了Rerun，还把自己三年多来对于Dota2项目的研究，通过一篇论文，正式公布出来。
在这篇论文中，OpenAI解释了整套系统的原理、架构、计算量、参数等等诸多方面的内容。OpenAI指出通过增加batch size和总训练时间等方法，扩展了计算规模，进而表明当今的强化学习技术可以在复杂的电子竞技游戏中，达到超越人类的水平。
这些研究，可以进一步应用于各种两个对手持续的零和博弈中。
（可能是阅读之后）OG战队发推：“Wow！这篇论文看起来太棒了！”
此情此景，有网友无深情的感叹道：Wow！OG战队夸了一篇论文好看？真是活久见……
这篇论文到底说了什么？我们总结了几个要点。
要点一：Dota2比下围棋更复杂
与棋类对弈相比，电子竞技游戏要更复杂。
攻克这一难题的关键是，把现有的强化学习系统规模，扩展到前所未有的水平，这耗费了数千块GPU和好几个月的时间。OpenAI为此构建了一个分布式的训练系统。
训练中的一个挑战是，环境和代码会不断变化。为了在每次更改后无需从头开始，OpenAI开发了一套工具，可以在不损失性能的情况下恢复训练，这套工具称为：surgery。
每局Dota2比赛时长大约45分钟，每秒钟会生成30帧的游戏画面。OpenAI Five每4帧做出一个动作。国际象棋一局下约80步，围棋下一局约150步，作为对比，Dota2打一局，AI需要“下”大概20000步。
而且由于战争迷雾的存在，Dota2中对战的双方，只能看到全盘游戏中的局部情况，其他部分的信息都是隐藏状态。
与下围棋的AlphaGo相比，打Dota2的AI系统，batch size要大50-150倍，模型大20倍，训练时间长25倍。
要点二：AI如何学会打Dota2
人类玩Dota2通过键盘鼠标等，实时作出决定。刚才提到，OpenAI Five每4帧做出一个动作，这被称为一个timestep。每个timestep期间，OpenAI会接收血量、位置等数据。
同样的信息，人类和OpenAI Five接收的方式完全不同。
人工智能系统发出动作指令时，大概可以想成这个样子。
AI背后是一套神经网络。policy （π）被定义为从观察数据到动作概率分布的函数，这是一个有1.59亿个参数的RNN神经网络。这个网络主要由一个单层、4096-unit的LSTM构成。
结构如下图所示：
LSTM贡献了这个模型中84%的参数。
选手们的训练，使用的是扩展版的近端策略优化（PPO）方法，这也是OpenAI现在默认的强化学习训练方法。这些智能体的目标是最大化未来奖励的指数衰减和。
在训练策略的过程中，OpenAI Five没有用到人类游戏数据，而是通过自我博弈。在围棋、象棋等问题上，也应用了类似的方式训练。
其中，80%的战斗中对手是使用了最新参数的分身，而20%的对手是老参数的分身。每经过10次迭代之后，新训练出的分身就被标为老前辈。如果当前正训练的AI击败了新秀或者老前辈，系统就会根据学习率更新参数。
按照OpenAI CTO此前的说法，击败OG前OpenAI Five已经练习了相当于45000年Dota。AI每天的训练量相当于人类打180年游戏。
要点三：计算量和超参数
训练这么复杂的AI系统，肯定要耗费大量的资源。
OpenAI预估了用于优化的GPU消耗量，最后的结论，OpenAI Five的GPU计算用量在770±50~820±50 PFlops/s·days左右，而今天新提到的、更强的Rerun，在随后两个月的训练中，GPU计算量消耗大概是150 ± 5 PFlops/s·days。
再说一下，OpenAI公布的只是用于优化的计算量，只是训练中所有开销的一小部分，大约占30%。
此前，OpenAI也曾透露过OpenAI Five的日常训练，需要256块P100 GPU和12.8万个CPU核心。
至于整个神经网络的超参数，在论文中，OpenAI表示在训练Rerun的时候，已经根据经验进一步简化了超参数。最后，他们只更改了四个关键的超参数：
• Learning Rate• Entropy penalty coefficient• Team Spirit• GAE time horizon
当然，OpenAI也表示这些超参数还有进一步的优化空间。
要点四：并不全是自学
最后，还有一点需要强调。
OpenAI在论文中明确指出，AI系统在学习Dota2的过程中，并非完全依靠强化学习自学，启示也使用了一些人类的知识。这跟后来的AlphaGo Zero有所区别。
有一些游戏机制是脚本编写好的程序。比方，英雄购买装备和学习技能的顺序，信使的控制等等。OpenAI在论文中表示，使用这些脚本有一些历史原因，也有成本和时间方面的考虑。不过论文也指出，这些最终也可以通过自学完成。
对战回顾
最后，我们回顾一下OpenAI Five连下两局击败OG的比赛全程吧。
第一局
AI（天辉）：火枪、飞机、冰女、死亡先知、斯温
人类（夜魇）：小牛、巫医、毒龙、隐刺、影魔
选完阵容，OpenAI Five认为自己有67.6%的胜率。
刚刚开局，OpenAI Five拿下一血，而人类军团也很快杀掉了AI方的冰女。之后，双方前期在人头数上一直不相上下。AI一直在经济上保持总体领先，但最富有的英雄，却一直是人类的大哥影魔。
这也能看出双方策略上的明显区别：OG是3核心+2辅助的传统人类打法，而AI的5个英雄经济分配相对平均，比较“大锅饭”。
经过几番激烈的推进和团战，游戏进行到19分钟左右，AI对自身胜率的预测已经超过了90%。自信心爆棚的AI一鼓作气攻上了人类的高地。
OG紧接着选择了分路推进，几位解说推测，这是为了尽可能分散AI，防止它们抱团推进，然而并没有奏效太长时间。
然而，坚持到38分钟，人类方的小牛刚刚买活，AI的最后一波总攻已经推掉了人类的基地。
OpenAI Five赢下第一局。现场，也是一片掌声。
这场比赛中，AI展现了清奇的思路：出门装就选择两个大药，后续的装备也更倾向于买补给品，而不是提高自身属性。
另外，我们前边提到的“大锅饭”政策，以及在比赛前期就频繁买活，都和人类职业选手的习惯大不相同。
第二局
AI（天辉）：冰女、飞机、斯温、巫医、毒龙
人类（夜魇）：火枪、小牛、死亡先知、小鱼人、莱恩
选完英雄，AI对自身胜率的预测是60.8%，略低于上一局的阵容。
比赛前两分钟，双方都在一片祥和中各自带线，然而没想到，人类中单Topson很快就送出了一血。
之后，人类代表们以惊人的速度溃败。
5分钟时，AI的信心就已经大幅上升，预测自己有80%的胜率；7分钟，AI推掉了上路一塔；10分钟，AI就已经领先人类4000金币，多推了两座塔，还为自己预估了95%的胜率。
11分钟，AI已经攻上了OG的高地。
仅仅21分钟，OG的基地被推掉，OpenAI Five轻松拿下第二局。直到比赛结束，OG拿下人头还是个位数，被AI打成了46:6。
虽然这一局赢得异常轻松，不过对局过程中还是能看出AI在细节上有一些不足。比如说面对在复杂树林中绕来绕去的人类，AI就无能为力。今天的比赛中，Ceb就靠绕树林救了自己一命。
本文来自微信公众号：量子位（QbitAI），作者：问耕