Paradox

最開始的時候本來想著做一個科普的內(nèi)容，但是在耐心研究過之后才發(fā)現(xiàn)，Google的世界已經(jīng)不是我這樣沒進行過專業(yè)訓(xùn)練的電競記者能夠用明確清晰的描述清楚的了。但是，對于人工智能我們還是看到了非常多的誤解和偏見，所以有一些基本的不錯的提法，還是希望能夠有更多的人能夠了解。

上一次關(guān)于人工智能的熱點來自于“Alpha Go”的橫空出世，之前的雜志上也做過專門的內(nèi)容，對于那個階段的人工智能而言，我們可以清晰的歸納出一些限制條件。這其中最重要的一點是來自于規(guī)則，任何棋類運動都擁有非常清晰而且簡明的規(guī)則，在規(guī)則的基礎(chǔ)之上，谷歌的DeepMind無論實現(xiàn)怎樣的學(xué)習，在我的認識里，都還是沿著過去幾十年里一般性的計算機算法在前進。換句話說，在Alpha Go的階段，利用原來的線性邏輯，谷歌實現(xiàn)了讓電腦的去學(xué)習。Alpha Go的偉大之處也正在于此。

但當我們把規(guī)則放到星際爭霸中的時候，谷歌雖然只是提供了一些思路，在我看來既然他們敢開啟這個項目，那他們對于“混沌”的處理已經(jīng)到了我們想象之外的程度，在信息不對稱和實時交互的環(huán)境下，實現(xiàn)對于部分混沌規(guī)則的信息提取與分析，聽起來確實是一個非常讓人興奮的事情。如果還像很多水友把DeepMind和悍馬2000擺在一起的話，我只能說這是對于人工智能的侮辱。

說了這么多，更重要的是谷歌的工程師為電子競技的選手和數(shù)據(jù)分析師，提供了一個非常重要的思路，通過這個思路也許我們能夠獲得完全不同的電競解決方案，也是電子競技不同于傳統(tǒng)體育的要點所在。

部分混沌的規(guī)則

聽起來很玄妙的理論，我們可以用非常字面的方式理解混沌，因為部分混沌到底是怎么界定的不是重點，重點在于我們在所有的電競項目的游戲規(guī)則中，我們要直面復(fù)雜設(shè)計規(guī)則帶來的不可知。

在傳統(tǒng)的思維方式中，我們希望能夠有一些模型有效的量化眼前的世界，所以在數(shù)據(jù)分析的過程中，我們更習慣歸納和總結(jié)。但在一定的條件之下，歸納和總結(jié)會讓我們浪費大量的時間，而游戲本身版本迭代速度驚人，同時很多平衡性調(diào)整是牽一發(fā)動全身，所以很難實現(xiàn)規(guī)律的總結(jié)，而DeepMind的思路，通過大量的統(tǒng)計和不斷的試錯，來是發(fā)現(xiàn)相對優(yōu)的解法。其實這樣的方法在電子競技的訓(xùn)練中是完全可取。以職業(yè)選手的訓(xùn)練量和訓(xùn)練水平，我們只需要大量提取數(shù)據(jù)，很多問題我們完全可以通過經(jīng)驗規(guī)律來解決，最重要的是，我們要相信這些規(guī)律。

不對稱性信息的提取

在一般的傳統(tǒng)體育中，場面的博弈中幾乎不會存在直觀信息的不對稱，但是在電子競技中，不對稱的信息是一個非?；A(chǔ)的玩法。但是在數(shù)據(jù)分析的過程中，我們更喜歡從結(jié)果出發(fā)，然后提出一些可以支撐的戰(zhàn)術(shù)分析邏輯。比較好的戰(zhàn)術(shù)分析師和教練會嘗試不斷的開關(guān)全圖，開讓選手理解他們的邏輯。但是對于本身不對稱的信息到底應(yīng)該通過什么樣的方法來提取，可能我們還做的遠遠不夠。

這不是說我們應(yīng)該在什么時間把在什么位置插眼或者探路的問題，是從既有的信息中，怎么提取有效信息的問題。我想在這個維度上，不久的將來DeepMind會給電子競技帶來非常多全新的思路，畢竟谷歌是在走在人類最前沿的，如何能夠更好的向DeepMind平臺學(xué)習提取信息的方法，非常值得選手和戰(zhàn)術(shù)分析師的關(guān)注。

實時交互環(huán)境的分析

這是人類要強于人工智能非常重要的部分，在我們大腦中，科學(xué)家還沒法解釋清楚神經(jīng)元對于信息匯總之后的分析是如何精密實現(xiàn)的。DeepMind在星際爭霸中遭遇的最大障礙可能也來自于此，但從專業(yè)人士口中得到的信息是，在自主學(xué)習的過程中，人工智能是把信息的提取和分析剝離。

在這一點上，也是對于一般性思維方式的挑戰(zhàn)，我們習慣把很多信息混在一起講，實際上這樣的講法往往不能切中要害，而追求單純的控制變量又做不到，所以電競的數(shù)據(jù)分析一直都處于一個低水平發(fā)展的階段，而DeepMind告訴我們，越是實時交互環(huán)境下的事件，我們越應(yīng)該把信息的提取和分析分開來處理。

原因很簡單，只有朝著這個思路前進，我們才能提高訓(xùn)練的效率。而可能最初的訓(xùn)練體驗會很差，但長此以往，我們對于信息處理的能力是可以得到充分訓(xùn)練的，以此因為大量的實時信息的涌入而造成分析困難。簡單的說，在星際爭霸中，面對三線空投，除了拉農(nóng)民這樣的規(guī)避動作之外，在三線空投都已經(jīng)定位的時候再選擇主力的分兵防守，可能比第一時間拉上大量部隊回防在最終的結(jié)果上要好，可能用一礦的農(nóng)民為代價保住了最關(guān)鍵的牛塔，然后才能有下一波反擊的機會。

結(jié)語

對于是不是我們將來要依靠人工智能做為陪練和分析師，是不是要看到谷歌的強大AI與世界最頂尖職業(yè)選手的對抗，這些在好的方法論面前都變得不那么重要。過去十幾年里，硅谷的很多企業(yè)都一直潛心人工智能，這不僅代表著智械危機的將來，也代表著人類應(yīng)該不斷進步的現(xiàn)在。