我们团队构建的模型，OpenAI Five，已经击败业余 Dota2 团队了。虽然如今是在有限制的情况下，但我们计划到 8 月份在有限英雄池下击败 TI 赛中的一支顶级专业队伍。我们可能不会成功，因为 Dota2 是当前最流行也最复杂的电子竞技游戏之一，一批有激情与创造力的玩家经年训练，想要瓜分 4000 万美金的奖金池。
通过自我对抗学习，OpenAI Five 每天相当于玩 180 年的游戏。训练上，它使用 256 块 GPU、12 万 8000 个 CPU 核心使用近端策略优化（Proximal Policy Optimization）方法进行训练，这是在我们去年建立的 solo Dota2 系统上的扩增。当我们为每个英雄使用单独的一个 LSTM，模型就可以在没有人类数据的情况下学到可识别的策略。这表明强化学习即使没有根本性的进步，也能够产生大规模但也可接受的长期规划。这出乎了我们刚开始时的预料。
问题
人工智能的一个里程碑就是在星际争霸或者 Dota 这类复杂的电子游戏中超越人类的水平。相比于上一个里程碑，即国际象棋与围棋，复杂电子游戏开始反映真实世界的混乱与连续的本质。因此我们希望，能够解决复杂电子游戏的系统可以成为通用的、在游戏之外有广阔应用场景的系统。
Dota2 是一个实时的 5 v 5 策略游戏，每个玩家控制一个英雄。其规则也非常复杂，这类游戏开发了十几年，成百上千的代码行实现游戏逻辑。而且游戏每两周更新一次，环境语义一直在变。
方法
我们的系统使用一个高度扩展版本的近端策略优化（Proximal Policy Optimization）算法进行学习。OpenAI Five 和之前的 1v1 机器人都是通过自我对抗进行学习的。他们从随机参数开始，并不从人类玩家的方法中进行搜索或者自举。
强化学习研究人员（包括我们自己）过去普遍认为，进行长时间范围的学习需要根本性的算法突破，例如层级强化学习（hierarchical reinforcement learning）。而我们的结果显示，我们并没有充分信任现有的模型——至少当他们以足够的规模和合理的探索方式运行的时候。
虽然当前 OpenAI Five 的补兵能力略差（看我们的测试赛，专业 Dota 解说员 Blitz 估计它的补兵能力只有职业玩家的中值水平），但它在选择优先攻击目标上能达到专业水平。获取长期奖励（例如插眼控图）通常需要牺牲短期奖励（例如发育后的金钱），因为团推时要也要耗费时间。这一观察加强了我们的信念：系统会随长时间而有优化。
模型架构
每个 Open AI Five 网络包含一个单层、1024 个单元的 LSTM 网络，它能观察当前的游戏状态（从 Valve 的 Bot API 中抽取）并通过一些可能的行动 Head 发出下一步采取的行动。每一个 Head 都包含语义信息，例如延迟该行动的时间值、选择哪一个行动和其 X 与 Y 的坐标轴。
OpenAI Five 使用了观察空间和行动空间的交互性演示。它将世界表征为一个由 2 万个数值组成的列表，并通过发出一个包含 8 个枚举值的列表而采取行动。我们可以在 OpenAI 网站上选择不同的行动和目标以理解 OpenAI Five 是如何编码每一个行动，以及如何观察世界的。下图展示了人们可能会观察到的场景：
探索
尽管构建的学习算法能处理较长的视野，但我们仍然需要探索环境。即使我们已经限制了复杂度，但游戏仍然有数百种物品、几十种建筑、法术、单位类型以及需要长时间慢慢学习的游戏机制，这些变量将组合成极其巨量的情况。因此，有效地探索这一巨大的组合空间是非常困难的。
在 2017 年，我们第一个智能体击败了机器人，但仍然不能战胜人类。为了强制在策略空间中进行探索，我们有且仅在训练期间对这些单位的属性（生命、速度和初始等级等）进行了随机化，然后它开始与人类对战。随后，当一名测试玩家不停地击败我们的 1V1 机器人时，我们增加了训练的随机性，然后测试玩家就开始输掉比赛了。此外，我们的机器人团队同时将类似的随机技术应用到物理机器人中，以便从模仿学习迁移知识到现实世界中。
OpenAI Five 使用我们为 1V1 机器人编写的随机化，它还使用一个新的「lane assignment」。在每次训练游戏开始时，我们随机「分配」每一个英雄到线路的一些子集，并在智能体发生偏离时对其进行惩罚，直到游戏中的随机选择时间才结束惩罚。
这样的探索得到了很好的奖励。我们的奖励主要由衡量人类如何在游戏中做决策的指标组成：净价值、杀敌数、死亡数、助攻数、最后人头等。我们通过减去每一个团队的平均奖励以后处理每一个智能体的奖励，因此这能防止智能体找到正项和（positive-sum）的情况。
合作
OpenAI Five 没有在各个英雄的神经网络之间搭建显式的沟通渠道。团队合作由一个我们称之为「团队精神」的超参数控制。团队精神的取值范围为从 0 到 1，代表了 OpenAI Five 的每个英雄在多大程度上关注自己的个人奖励函数以及在多大程度上关注团队平均奖励函数。在训练中，我们将其值从 0 逐渐调整到 1。
Rapid
我们的系统是用通用的强化学习训练系统 Rapid 来实现的。Rapid 可以被应用到任何一个 Gym 环境。在 OpenAI，我们也用 Rapid 来解决其他问题，包括竞争性自我对抗训练（Competitive Self-Play）。
我们已经在 IBM Kubernetes，微软 Azure，谷歌 GCP 后端上实现了 Rapid。
游戏
到目前为止，我们与这些队伍进行了对战：
- 最强的 OpenAI 职员团队: 匹配分 2500
- 观看 OpenAI 职员比赛的观众玩家 (包括 Blitz 等)：匹配分 4000-6000，他们此前从没有组队参赛过。
- Valve 公司团队: 匹配分 2500-4000
- 业余团队: 天梯 4200, 作为一支队伍来进行训练。
- 半职业团队: 天梯 5500, 作为一支队伍来进行训练。
在与前面三支队伍的比赛中，OpenAI 取得了胜利，输给了后面的两只队伍（只赢了开场前三局）。
我们观察到 OpenAI Five 具有以下几个特点:
经常来牺牲自己的优势路（夜魇军团的上路，天辉军团的下路），以压制敌人的优势路，迫使战斗转移到对手更难防御的一边。该策略在过去几年的专业领域出现过，现在已经成为了流行战术。Blitz 说他在打 DOTA 8 年后才学到了这个战术，当时是 Liquid（一支职业队伍）告诉了他。
比赛初期到中期的转换比对手更快。它是这样做到的：1）在人类玩家走位出问题时，进行多次成功 gank，2）在对方组织起反抗前，去组队推塔。
在一些领域机器有时也会偏离主流打法，例如在前期将钱和经验让给辅助英雄（这些英雄一般不优先获取资源）。OpenAI Five 的优先级使它获得的伤害更快达到顶峰，从而建立起更大的优势，赢得团战以及利用对方的错误来确保快速取胜。
和人类的差异
OpenAI Five 获得的信息和人类是一样的，但前者可以实时看到位置、生命值和装备清单等，而这些信息都需要人类选手去手动查看。我们的方法从根本上就没有依赖于（实时）观察状态，但从游戏中渲染像素就需要成千上万块 GPU。
OpenAI Five 平均每分钟可进行 150-170 次操作（APM=150-170，因为每四帧观察一次，所以理论峰值为 450）。熟练的玩家有可能掌握完美捕捉画面的时机，但这对机器来说轻而易举。OpenAI Five 的平均反应时间为 80 毫秒，比人类更快。
这些差异在 1V1 中影响最大（当时我们机器人的反应时间为 67 毫秒），但竞技是相对公平的，因为我们已经看到人类在学习和适应机器人的打法。在去年 TI 之后，很多专业选手使用我们的 1V1 机器人进行了为期数月的训练。William *"Blitz"* Lee（前 DOTA2 专业选手和教练）表示，1V1 机器人已经改变了我们对单挑的传统看法（机器人采取了快节奏的打法，现在每个人都已经试着去跟着这个节奏）。
令人惊讶的发现
我们可以从头开始学习卡兵。对 1v1 来说，我们使用传统的强化学习和一个卡兵奖励（a creep block award）来学习卡兵。我们的一个同事在去度假前留下了 2v2 模型，打算看看需要多久的训练能才提高表现。令他惊讶的是，这个模型在没有任何指导或奖励的情况下学会了卡兵。
我们仍在修复系统漏洞，比如训练期间的罕见崩溃，或者导致达到 25 级的巨大负面奖励的错误。事实证明我们可以在隐藏严重漏洞的情况下，依然击败优秀的人类玩家！
下一步计划
Open AI 的团队专注于达成八月份制定的目标。我们不知道它是否可以实现，但是我们相信通过自身的努力（和运气），机会还是很大的。
閱讀更多 雜機鋪 的文章
