人工智能一直是人类从进入信息时代后最热门的讨论题，两年前在谷歌旗下人工智能研究企业Deepmind研发的围棋AI，在陆续战胜李世石和柯洁两位顶级职业围棋选手后，带起了一轮围棋AI的研究热潮，腾讯等科技企业也陆续折腾了不少人机或机器对战赛事，那么象棋之类的AI出现只是时间问题了。
1月24日，Deepmind在官网了Youtube发表了旗下最新科技AlphaStar，并且在知名电竞游戏《星际争霸2》中以两个5:0战胜了两位世界排名前50的职业选手——液体[Team Liquid]的MaNa和TLO，但在随后的网上直播中人类扳回一城，而AlphaStar将在2月15日挑战WSC去年的总冠军Serral。
对于人类来说，是游戏复杂还是下棋复杂？这两者看起来完全不是一个时代的休闲娱乐竞技项目。众所周知星际玩家不需要视力，由于游戏存在战争迷雾，无法完全看到对方的爆兵和行动，而且存在多变的规则、地形等因素，还需要实时操作和随机应变，而棋盘战局则是透明公开的回合制，允许思考。主要挑战有博弈、不完整信息、长期规划、实时和巨大的行动空间，如果比类为棋盘，那么《星际争霸2》的可行动数为10的26次方级别。
对于打电动的AI，不少院校已经在雅达利、超级马里奥、雷神之锤3、Dota2等游戏上有研究成果，但多数还处于bot级别，和普通玩家斗智斗勇的阶段。AlphaStar建立的目标就和AlphaGo类似，采用神经网络和深度学习技术使AI最终能挑战职业选手，其深度学习模式采用原始游戏数据输入，采用监督学习和强化学习模式。
另一方面要解决的是命令输入，毕竟游戏的实时性无法像围棋那样通过下命令进行行动，而在机器观察和行动上，Deepmind采用的是和暴雪联合开发的开源机器操作接口PySC2，而观察、思考和行动被分为多个助手[Agent]模块。通过初步的监督学习，AlphaStar就战胜了游戏中的精英AI，达到玩家天梯中的黄金级别。
而在往后的深度学习中，Deepmind采用了谷歌最新的人工智能处理器TPU v3，每个Agent单元配备了16个TPU单元，在14天的深度学习中，每个Agent都灌输了200年时长的游戏回放进行训练。而最终会把有效的策略通过Nash分配技术集中在一台电脑上，也就意味着最终一个桌面PC级别的GPU就能和人类进行对抗。
当然，从竞技角度来看，这次人机对战AI赢下的10局也并不是完全公平，因为AI获得的“图像”是整个游戏界面的原始输入[Raw Input]而不是显示器输出，AlphaStar不需要自己切换小地图进行战术分析和行动。虽然公平平等之类不是AI要解决的课题，不过AlphaStar相应也进行了图像识别的深度学习训练，其被称为Camera Agent，而直播的那一局正是因为AI第一次使用图像识别的原始版本而且未经过详细测试，因为视力不佳输给了职业选手，当然即使使用原始输入，也比星际2自带的开图AI公平不少，而且经过训练后，图像识别和原始界面两种方式的竞技强度相差不大。
由于电竞在传统媒体上不一定会有围棋的热度，但作为Deepmind的技术成果展示，AlphaStar确实相较于AlphaGo又有了进步，无论是TPU硬件、深度学习时间等方面，它使用的硬件更少，学习速度也有了很大提升，对于推进人工智能技术和产业的进步也提供了指引。Deepmind团队同期还有两个大项目：AlphaZero[国际象棋和日本将棋AI]以及通过基因序列预测蛋白质3D结构的人工智能AlphaFold。
当然，这些东西或许离多数人的现实生活还比较遥远。在去年的12月5日，谷歌旗下的WayMo无人驾驶计程车开始在美国的凤凰城投入运营，给无人驾驶的商用和民用领域开启了新的篇章，对于某些不想买车的居民来说毫无疑问是非常期待的。
那是不是时候研讨AI取代人类这种杞人忧天了呢？从Deepmind的发展路线规划图来看，AlphaGo能像人类一样读懂棋谱至少也要10年以后，而有能力胜任人类所有机械智力工作的AI，至少也要40年后才能出现，而完全胜任人类工作的AI则是一个世纪之后，那么取代的问题就不用现在活着的人担心了，而如果有幸活到那个时候，还能有球型关节女仆给养老伺候，岂不美哉。
京公网安备 11011402011520号