自從谷歌的AlphaGo（以下簡稱AG）戰勝瞭圍棋九段高手李世乭後，一方面關於人工智能的爭議再次塵囂直上，另一方面AG又找到瞭新的挑戰領域。3月27日，暴雪娛樂制作總監Tim Morten在上海WCS世錦賽上宣佈證實，狗狗下一個挑戰目標將是星際爭霸2（以下簡稱SC2，星際爭霸簡稱為SC，以後不再贅述）。

關於AG和星際爭霸職業選手的比賽，人們最關註的無疑是比賽結果，究竟是AG再次將人類驕傲的自尊捏個粉碎，還是人類反戈一擊，證明人工智能所謂的勝利隻不過是一時僥幸？

AG如何學習？

所謂“知己知彼，百戰不殆”，要分析AG能否戰勝職業選手，首先就要瞭解AG如何學習一種全新的規則。與前輩“深藍”所采用的推演式算法不同，AG在與李世乭對戰之前，除瞭學習圍棋的基本規則外，還學習瞭人類對弈中使用的近3000萬種走法來“豐富閱歷”，讓AG學會預測人類專業棋手怎麼落子。然後讓AG自己跟自己下棋，從而又產生規模龐大的新棋譜，據谷歌工程師宣稱，AG每天可以嘗試百萬量級的走法。而在正式對弈中，AG會通過蒙特卡洛樹搜索算法從這些棋譜中搜索出勝率最高的走法。

相比國際象棋，圍棋的走法可能性非常多，僅起手時就有19*19種落子方式，更不要說以後的棋子佈局方式瞭。在有限的國際象棋棋盤上，“深藍”可以依靠推演算法算出之後的12步棋，但是在圍棋上，這種“思維方式”非常陳舊，耗費資源多且效率低下，因此才被“學習+思維”的全新方式取代。

AG有何優劣？

可以說，AG需要先學習SC2的基本規則，包括地圖地形、各種族兵種的攻防數值，在此基礎上消耗時間學習之前SC2職業高手大量的對戰，最後自我對戰形成更多戰術儲存在服務器中，最後利用蒙特卡洛樹搜索算法進行戰術對比，在實際對戰中與職業高手一較高下。

但是，由於遊戲本身就是多個規則邏輯模塊組成的程序集合，與AG可以說是源出同門，由人工智能程序執行遊戲程序，執行效率不知要高出人多少倍。目前頂尖的職業選手，其APM（每分鐘操作次數，鍵盤+鼠標的總和）也不過400多，如果扣除瞭重復操作外，其EAPM（每分鐘有效操作次數）就更低瞭，但與此相比，AG運行後保守估計其APM可以超過8000，並且全部都為有效操作，AG完全可以憑借高速操作，達到戰術勝利累積到戰略勝利的目的，這段視頻足以說明AI能夠以人類完全達不到的手速吊打人類。

100隻小狗VS20輛攻城坦克，由職業選手和AI各自操作小狗進攻，職業選手僅消滅瞭2-3輛坦克就全軍覆滅，AI卻能判斷彈著點方位避開攻擊，消滅全部坦克後還有近20隻左右的剩餘。當然瞭，可以通過技術手段設定AG的APM上限來限制這種優勢。而且AG也不是沒有劣勢，人工智能沒有什麼戰略戰術的概念，如果要AG達到職業選手所需要的戰略戰術概念，目前還不知道要消耗多長時間。同時目前在比賽中需要為AG設定操作視野范圍和偵察的功能，不然地圖加載完成後，AG可以在最短時間內制定出最優路線，而職業選手需要依靠士兵探索，這樣的比賽幾無公平可言。

由AI挑戰AI的電競？

雖然AG挑戰職業選手的眾多細節還未確定，但目前已經引起瞭各方的興趣，暴雪方面可以通過比賽增加對SC2的關註度，一改目前SC2的弱勢局面。而同時，AG與職業選手的比賽也可以為電競增加新的內容形式，不僅是人工智能挑戰人類，而且可以衍生出AI挑戰AI的比賽方式。

由於SC中的 AI可以由第三方腳本的形式存在，所以AI挑戰AI並無技術難度。早在母巢之戰資料片中，用代碼玩 SC的 的服務器API就已經存在， 用C++代碼以及LUA語言可自由編程生成dll格式的AI文件，將這個AI文件註入程序後即可操縱SC的兵種。至今為止，AI文件已經能夠獲取SC內存底層中各種建築與兵種數據，並且操縱各種兵種作出各種動作，如果更多的人應用這個API制作屬於自己的SC AI文件，那麼在AI之間進行電競比賽就不再是一個夢瞭。

此前，美國的Elecbyte小組使用C語言與Allegro程序庫開發瞭一款免費2D格鬥遊戲引擎Mugen，吸納瞭眾多格鬥遊戲的知名人物和招式，通過這款引擎實現瞭各人物的穿越亂鬥，並且已經實現瞭AI之間的戰鬥，眾多愛好者可以使用自己編寫的AI算法，讓格鬥人物發出無法在實際操作中實現的酷爽連招，如今這種方式在SC中也同樣可以實現。

電競比賽發展到今天，此前競賽遊戲的戰術潛力已經被開發殆盡，此次人工智能挑戰職業選手一方面是為測試人工智能的潛力，另一方面也為電競比賽帶來瞭新的看點，同時支持第三方算法腳本的競技性遊戲又為AI擴展提供瞭技術基礎，那麼AI之間的電競挑戰又有何不可？讓眾多手速不足的“手殘”程序猿們通過自己的代碼一決高下，你興奮瞭嗎？

from：百度百傢 光速追獵者