剛剛，OpenAI宣布了一個大新聞——他們的一個由5個神經(jīng)網(wǎng)絡組成的OpenAI Five，已經(jīng)開始擊敗Dota 2的業(yè)余玩家隊伍。

剛剛，OpenAI 宣布了一個大新聞——還記得去年他們的AI在 Dota2 1v1 比賽中戰(zhàn)勝了人類職業(yè)玩家 Dendi嗎？現(xiàn)在，OpenAI的由5個神經(jīng)網(wǎng)絡組成的OpenAI Five，已經(jīng)開始擊敗Dota 2的業(yè)余玩家隊伍。

4月23日，OpenAI Five首次擊敗了腳本基線。5月15日，OpenAI Five與第一隊平分秋色，贏得了一場比賽并輸?shù)袅肆硪粓觥?月6日，OpenAI Five在與隊伍1、2、3的比賽中全部獲勝。之后，我們又與第4和第5隊進行了非正式的比賽，預計會輸?shù)煤軕K，但OpenAI Five在前3場比賽中贏得了兩場。

OpenAI表示，雖然他們現(xiàn)在玩的是有限制的游戲，但他們的目標是在8月份擊敗國際頂級職業(yè)團隊（不過只限于一組有限的英雄）。同時，他們也坦承這個任務艱巨——“我們可能不會成功：Dota 2是世界上最流行和最復雜的電子競技游戲之一，每年都有來自全世界最富有創(chuàng)造力和積極性的專業(yè)人員參賽，競爭Dota年度價值4000萬美元的獎金（這也是所有電子競技游戲中份額最大的獎金）。

如今，OpenAI Five每天都通過自我對戰(zhàn)（self-play）來學習，而每天自我對戰(zhàn)的量是180年的游戲——沒錯，是180年。它使用OpenAI提出的算法“近端策略優(yōu)化”（PPO）的擴展版，在256個GPU和128,000個CPU內(nèi)核上進行訓練。每個英雄都使用單獨的LSTM，不使用人類數(shù)據(jù)，最終AI能夠?qū)W會識別策略。這表明，強化學習能夠進行大但卻可實現(xiàn)規(guī)模（large but achievable scale）的長期規(guī)劃，而不發(fā)生根本性的進展，這與OpenAI開始項目時的預期相悖。

為了對他們所取得的進步衡量基準，OpenAI將在7月28日舉行一場比賽，歡迎觀看直播甚至親臨現(xiàn)場。

OpenAI Five與OpenAI玩DOTA最好的團隊競賽。比賽由暴風游戲的專業(yè)評論員和OpenAI Dota團隊成員Christy Dennison進行了評論，也得到了玩家的觀戰(zhàn)。

國內(nèi)首家決策智能公司創(chuàng)始人兼CEO袁泉點評：

Dota游戲是一個典型的AI難題，它綜合了決策周期長，空間大而且敵我雙方是在非完全信息下博弈。OpenAI繼去年解決1v1的問題后，1年內(nèi)能在5v5的更復雜情況下，完全依靠自我對抗學習、無顯式通訊信道的前提下，即展現(xiàn)出了類似于人的長期規(guī)劃協(xié)作能力，代表了多智能體決策智能的國際最高水準，也體現(xiàn)了大規(guī)模算力帶來的美感。

Dota2究竟有多難？復雜程度超乎想象

玩星際爭霸或Dota，需要AI在不確定的情況下進行推理與規(guī)劃，涉及多個智能體協(xié)作完成復雜的任務，權衡短中長期不同的收益。相比下圍棋這樣的確定性問題，星際爭霸/Dota的搜索空間要高出10個數(shù)量級。

因此，攻克星際爭霸或者Dota這樣的復雜電子競技游戲，是AI的最大挑戰(zhàn)之一，也將是AI的一個里程碑式的成就。

Dota 2 是一個實時競技電子游戲，有兩支5人隊伍組成，每個人都控制一個英雄，能玩Dota的AI，必須掌握以下技巧：

很長的時間線。Dota游戲以每秒30幀的速度運行，平均時間為45分鐘，因此每場游戲的時間tick為80,000次。大多數(shù)行為（例如命令英雄移動到某個位置）單獨產(chǎn)生的影響較小，但有些個別的行為，比如在城市間移動（回城卷軸），可能會在戰(zhàn)略上影響游戲。還有一些策略，則能影響整個戰(zhàn)局。OpenAI Five每4幀觀察一次，產(chǎn)生20,000次移動。相比之下，國際象棋通常在40次移動之前就結(jié)束，圍棋則是150手移動前結(jié)束，而且?guī)缀趺恳淮我苿佣际菓?zhàn)略性的。

部分觀察狀態(tài)。在Dota過程中，隊伍（units）和建筑物只能看到他們周圍的區(qū)域。地圖的其他部分隱藏在霧中，敵人和他們的戰(zhàn)略也是隱藏的。因此，比賽需要根據(jù)不完整的數(shù)據(jù)進行推斷，并且需要對對手的最佳狀態(tài)進行建模。相比之下，國際象棋和圍棋都是信息完全顯露出來的游戲。

高維連續(xù)動作空間。在Dota中，每個英雄可以采取數(shù)十個動作，而許多動作都是針對另一個單位（unit）或地面上的某個位置。OpenAI將每個英雄的空間分割成170,000個可能的行動；不計算連續(xù)部分，每個tick平均有大約1000次有效操作。國際象棋中的平均動作數(shù)為35，在圍棋中，這是數(shù)字也只有250。

高維連續(xù)的觀察空間。Dota在包含十個英雄，幾十個建筑物，幾十個NPC以及諸如符文、樹木和病房等游戲長尾特征。OpenAI的模型通過Valve的Bot API觀察Dota游戲的狀態(tài)，其中20,000（大多是浮點）數(shù)字表示允許人類訪問的所有信息。相比之下，國際象棋棋盤有大約70個枚舉值（8x8的棋盤加6種棋子類型和其他一些的歷史信息），而圍棋則有大約400個枚舉值（19x19的棋盤加黑白兩種棋子）。

Dota規(guī)則也非常復雜。這是一個已經(jīng)被積極開發(fā)了十多年的游戲，游戲邏輯在幾十萬行代碼中實現(xiàn)。這個邏輯需要幾毫秒的時間才能執(zhí)行，而對于國際象棋或圍棋引擎則只需要幾納秒。游戲也每兩周更新一次，不斷改變環(huán)境語義。

完全從自我對戰(zhàn)中學習，128000CPU+256 P100GPU

OpenAI的系統(tǒng)使用Proximal Policy Optimization的大規(guī)模版本進行學習。OpenAI Five和OpenAI早期的1v1 bot都是完全從自我對戰(zhàn)中學習。它們從隨機參數(shù)開始，不使用來自人類回放（replay）的搜索或引導。

RL研究人員（包括OpenAI自己）一般認為，長時間視野（long time horizons）需要從根本上取得新的進展，比如分層強化學習。結(jié)果表明，實際上現(xiàn)如今的算法已經(jīng)足夠，至少當它們以足夠的規(guī)模和合理的探索方式運行時。

OpenAI的agent經(jīng)過訓練，可以最大化未來獎勵的指數(shù)衰減總和，并由稱為γ的指數(shù)衰減因子加權。在最新的OpenAI Five訓練中，他們從0.998（評估未來獎勵的半衰期為46秒）到0.9997（評估未來獎勵的半衰期為五分鐘）退化γ。相比之下，PPO論文中最長的half-life是0.5秒，Rainbow論文中最長的半衰期為4.4秒。

盡管當前版本的OpenAI Five在最后一擊時表現(xiàn)不佳，但其objective prioritization已經(jīng)堪比一個常見的專家。獲得戰(zhàn)略地圖控制等長期回報往往需要犧牲短期回報，例如從農(nóng)業(yè)獲得的黃金，因為組建攻擊塔需要時間。這表明系統(tǒng)真正在進行長期的優(yōu)化。

模型結(jié)構

每個OpenAI Five網(wǎng)絡都包含一個單層的、1024-unit的LSTM，它可以查看當前的游戲狀態(tài)（從Valve的Bot API中提?。?，并通過幾個可能的action heads發(fā)出動作。每個 head都具有語義含義，例如，延遲動作的刻度數(shù)，選擇一個動作時，該動作在單元周圍網(wǎng)格中的X或Y坐標等。Action heads是獨立計算的。

OpenAI Five使用觀察空間和動作空間進行交互式演示。OpenAI Five將世界視為20000個數(shù)字的列表，并通過發(fā)出一個包含8個枚舉值的列表來采取行動。選擇不同的行動和目標以了解OpenAI Five如何編碼每個動作，以及它如何觀察世界。下圖顯示了人類會看到的場景。

OpenAI Five可以對丟失的與它所看到的相關的狀態(tài)片段做出反應。例如，直到最近，OpenAI Five的觀察都還沒有包括彈片區(qū)域（彈片落在敵人身上的區(qū)域），人類在屏幕上能看到這些區(qū)域。然而，我們觀察到OpenAI Five學習走出（雖然不能避免進入）活躍的彈片區(qū)域，因為當進入彈片區(qū)時，它可以看到它的健康狀況在下降。

探索

盡管有學習算法能夠處理較長的視野，我們?nèi)匀恍枰剿鳝h(huán)境。即使我們設了限制，仍然有數(shù)百個物品，幾十種建筑，法術和單元類型，以及需要了解的復雜的游戲機制——其中許多產(chǎn)生了強大的組合。要有效地探索這個巨大的空間并不容易。

OpenAI Five從自我玩游戲（self-play）過程中學習（從隨機權重開始），這為探索環(huán)境提供了一個自然的設置。為了避免“戰(zhàn)略崩潰”，agent在80%的游戲中進行自我訓練，其余20％的游戲則與過去的自己對戰(zhàn)。在第一場比賽中，英雄漫無目的地在地圖上漫步。經(jīng)過幾個小時的訓練后，出現(xiàn)了諸如laning、farming或中期戰(zhàn)斗等概念。幾天之后，它們一直采用基本的人類策略：試圖從對手手中奪取神符，步行到一級塔去農(nóng)場，并在地圖周圍旋轉(zhuǎn)英雄以獲得lane優(yōu)勢。通過進一步的訓練，它們變得精通5-hero push 這樣的高級戰(zhàn)略了。

在2017年3月，我們的第一個agent擊敗了bot，但仍然搞不定人類。為了強制在戰(zhàn)略空間進行探索，在訓練期間（并且只在訓練期間），我們對這些單元的屬性（健康，速度，啟動級別等）進行了隨機化，然后用它開始能與人類對打。后來，當一名測試玩家一直不斷地擊敗我們的1v1 bot時，我們增加了隨機訓練，測試玩家開始出現(xiàn)失敗。（我們的機器人團隊同時將類似的隨機化技術應用于物理機器人身上，以便從模式世界轉(zhuǎn)換到現(xiàn)實世界。）

OpenAI Five使用我們?yōu)?v1 bot編寫的隨機數(shù)據(jù)。它還使用一個新的“l(fā)ane assignment”。在每次訓練游戲開始時，我們隨機地將每個英雄“分配”給一些lane的子集，并在它發(fā)生偏離是對其進行懲罰，直到游戲中隨機選擇的時間。

這樣的探索得到了很好的回報。我們的獎勵主要由衡量人類如何在游戲中做決定的指標組成：凈價值，kills，死亡，助攻，上次命中等等。我們通過減去另一組的平均獎勵后處理每個agent的獎勵，以防止agent找到 positive-sum 的情況。

我們硬編碼項目和技能構建（最初為我們的腳本基準編寫），并選擇隨機使用哪些構建。

協(xié)調(diào)

OpenAI Five不包含英雄神經(jīng)網(wǎng)絡之間的明確通信渠道。團隊合作由我們稱為“團隊精神”（team spirit）的超參數(shù)控制。team spirit的范圍從0到1，對OpenAI Five的每個英雄應該關心其個人獎勵函數(shù)與團隊獎勵函數(shù)的平均值賦予權重。我們在訓練中將它的值從0降到1。

快速

我們的系統(tǒng)是一個稱為Rapid的通用RL訓練系統(tǒng)，可用于任何Gym環(huán)境。我們已經(jīng)使用Rapid解決了OpenAI的其他一些問題，包括競爭性的自我對戰(zhàn)。

訓練系統(tǒng)分為運行游戲副本的rolloutworker和收集經(jīng)驗的agent，以及optimizer節(jié)點，這些節(jié)點在整個GPU隊列中執(zhí)行同步梯度下降。 rollout worker通過Redis將它們的經(jīng)驗同步到optimizer每個實驗還包括訓練好的agent進行評估，以及監(jiān)控軟件，如TensorBoard，Sentry和Grafana。

在同步梯度下降過程中，每個GPU計算batch部分的梯度，然后對梯度進行全局平均。下圖顯示了不同數(shù)量的GPU同步58MB數(shù)據(jù)的延遲。

我們?yōu)镽apid實施了Kubernetes，Azure和GCP后端。

游戲結(jié)果

到目前為止，OpenAI Five已經(jīng)（在我們的限制下）與這些對手進行了比賽：

最佳OpenAI員工團隊：2.5k MMR（46th percentile）

觀看OpenAI員工比賽的最佳觀眾（包括第一次OpenAI員工比賽的解說員Blitz）：4-6k MMR（90th-99th percentile），盡管他們從來沒有作為一個團隊參賽。

Valve employee團隊：2.5-4k MMR（46th-90th percentile）。

業(yè)余團隊：4.2k MMR（93rd percentile），訓練為一支隊伍。

半專業(yè)團隊：5.5k MMR（99th percentile），訓練為一支隊伍。

4月23日版的OpenAI Five是第一個擊敗我們的腳本基線的版本。5月15號的OpenAI Five與第一隊旗鼓相當，贏了一場比賽，又輸了一場。6月6日的OpenAI Five戰(zhàn)勝了1-3對。我們和4隊、5隊建立了非正式的比賽，預計出現(xiàn)很差的表現(xiàn)，但是OpenAI Five在前三場比賽中均贏了兩場。

“機器人的團隊合作方面簡直勢不可擋，感覺就像五個無私的玩家一樣，知道一個很好的總體戰(zhàn)略?！薄?Blitz

我們發(fā)現(xiàn)OpenAI Five：

為了換取控制敵人的優(yōu)勢路safelane，多次犧牲自己的優(yōu)勢路（上路是夜魘，下路是天輝），迫使戰(zhàn)斗向敵人更難防御的一邊進行。這種策略在過去幾年出現(xiàn)在專業(yè)領域，現(xiàn)在被認為是流行的策略。Blitz說他是在經(jīng)過8年的比賽后才知道這一點的，當時Team Liquid告訴他這件事。

從比賽初期到賽季中期的轉(zhuǎn)場比對手更快。 它是這樣做的：（1）當玩家在他們路上過度擴張時，建立成功的Ganks;（2）在對手組織對抗之前組隊占領塔。

在少數(shù)領域偏離了目前的游戲風格，比如給予支持英雄許多早期經(jīng)驗和黃金。 OpenAI Five的優(yōu)先級使得它的傷害更早達到頂峰，并使它的優(yōu)勢更加強大，贏得團隊戰(zhàn)斗并利用錯誤來確?？焖俚膭倮?/p>

與人類的不同之處

OpenAI Five可以訪問與人類相同的信息，但是它可以立即看到諸如位置、健康狀況和物品清單等數(shù)據(jù)，這些數(shù)據(jù)是人類必須手動檢查的。我們的方法與觀察狀態(tài)沒有本質(zhì)的聯(lián)系，但是僅僅從游戲中渲染像素就需要數(shù)千個GPU。

OpenAI Five的平均動作速度約為每分鐘150-170個動作（理論上最大動作速度為450個，因為每隔4幀就觀察一次）。對于熟練的玩家來說，幀完美的時機對于OpenAI Five來說是微不足道的。 OpenAI Five的平均反應時間為80ms，比人類快。

這些差異在1v1中最為重要（我們的機器人的響應時間為67ms），但是我們已經(jīng)看到人類從機器人身上學習并適應機器人，所以競技場相對比較公平。數(shù)十位專業(yè)人士在去年TI的幾個月里使用我們的1v1機器人進行訓練。根據(jù)Blitz的說法，1v1機器人改變了人們對1v1的看法（機器人采用了快節(jié)奏的游戲風格，現(xiàn)在每個人都適應了）。

一些驚人的發(fā)現(xiàn)

二元獎勵能夠帶來好的表現(xiàn)。我們的1v1模型有一個有形的獎勵，包括對最后命中目標、殺戮等等的獎勵。我們做了一個實驗，只獎勵那些獲勝的agent或只獎勵失敗的agent，它訓練一個數(shù)量級更慢，并且在中間有一些停滯，這與我們通?？吹降钠交膶W習曲線形成了對比。實驗運行在4500個內(nèi)核和16個k80 GPU上，訓練到半專業(yè)級(70個TrueSkill)，而不是我們最好的1v1機器人的90個TrueSkill。

Creep blocking可以從頭開始學習。對于1v1，我們學習了使用傳統(tǒng)RL進行creep blocking并帶有“creep block”獎勵。我們的一個團隊成員在休假時離開了2v2模型的訓練，打算看看還需要多久的訓練才能提高性能。令他驚訝的是，這個模型學會了沒有任何特別的指導或獎勵的情況下creep block。

我們還在修復bug。上面的圖表顯示了擊敗業(yè)余玩家的代碼的訓練運行情況，相比之下，我們只是修復了一些bug，比如在訓練中偶爾發(fā)生的崩潰，或者達到25級時導致一個大的負面獎勵的錯誤。事實證明，這個系統(tǒng)有可能擊敗人類高手，但同時也可能隱藏著嚴重的bug!

接下來是什么？

我們的隊伍正集中精力完成我們8月份的目標。我們不知道這個目標能否實現(xiàn)，但我們相信，只要努力工作(還有點運氣)，我們就能實現(xiàn)。

這篇文章描述了6月6日我們系統(tǒng)的快照。在超越人類性能的過程中，我們將發(fā)布更新，并在項目完成后就最終系統(tǒng)編寫報告。請在7月28日加入我們，屆時我們將與一組頂級球員比賽!

我們的目標是超越Dota。現(xiàn)實世界人工智能的部署將需要處理Dota提出的挑戰(zhàn)，而這些挑戰(zhàn)并不反映在國際象棋、圍棋、雅達利游戲或Mujoco基準測試任務中。最后，我們將衡量Dota系統(tǒng)在實際任務中的應用成功程度。