腾讯AI推出“绝悟”完全体

说起 MOBA 类手游，想必大家都能想到王者荣耀。它近日又有了新动作。11 月 28 日腾讯宣布，旗下腾讯 AI Lab 与王者荣耀联合研发的策略协作型 AI “绝悟” 推出升级版本 “绝悟 “完全体。 目前，“绝悟 “背后采用的创新算法突破了 AI 的英雄上限，英雄池数量也从 40 个增至 100 + 个。创新算法能够让 AI 完全掌握所有英雄的所有技能，同时应对高达 10 的 15 次方的英雄组合数变化，几乎覆盖人类玩家能够选出的组合。另一技术亮点则是优化了禁选英雄（BanPick，简称 BP）博弈策略，能综合自身技能与对手情况等多重因素派出最优英雄组合。 相关研究已被 AI 顶级会议 NeurIPS 2020 与顶级期刊 TNNLS 收录，两篇论文的一作均为腾讯的 Deheng Ye（叶德珩）。

同时，“绝悟” 完全体版本已在王者荣耀 App 限时开放。各荣耀玩家可以上线与之对战，体验时间为 11 月 14 日至 30 日，绝悟在 20 个关卡的能力不断提升，最强的 20 级于 11 月 28 日开放，接受 5v5 组队挑战。

AI 策略：红方 AI 铠大局观出色，绕后蹲草丛扭转战局 积少成多，自古英雄出少年

王者荣耀中，最吸引人的称号是：“全能高手”。想要获得它却很难，你需要在五个职业中（对抗路、中路、发育路、游走、打野）都拥有 4 个紫色熟练度英雄。但因为练习时间与精力限制，很少有人能精通所有英雄。 而 “绝悟”技术团队一年内让 AI 掌握的英雄数从 1 个增加到 100 + 个，完全解禁英雄池，此版本因此得名 “绝悟完全体”。 那么 “绝悟完全体” 是怎样做到的呢？ 我们知道，从零学会单个阵容易如反掌，但面对多英雄组合时就难如登天。在对战中，因为地图庞大且信息不完备，不同的 10 个英雄组合应该有不同的策略规划、技能应用、路径探索及团队协作方式，这将使决策难度几何级增加。并且，多英雄组合也带来了 “灾难性遗忘” 问题，这使得模型容易边学边忘，是长期困扰开发者的大难题。

为了应对上述问题，技术团队先引入 “老师分身” 模型，让每个 AI 老师在单个阵容上训练至精通，再引入一个 AI 学生模仿学习所有的 AI 老师，最终让 “绝悟” 掌握了所有英雄的所有技能，成为一代宗师。 同时，团队还制定了长期目标，就是要让 “绝悟” 学会所有英雄的技能，且每个英雄都能达到顶尖水平。为此他们在技术上做了三项重点突破： 首先团队构建了一个最佳神经网络模型，让模型适配 MOBA 类任务、表达能力强、还能对英雄操作精细建模。模型综合了大量 AI 方法的优势，具体而言： 1. 在时序信息上引入长短时记忆网络（LSTM）优化部分可观测问题； 2. 在图像信息上选择卷积神经网络（CNN）编码空间特征； 3. 用注意力（Attention）方法强化目标选择； 4. 用动作过滤（Action Mask）方法提升探索效率； 5. 用分层动作设计加快训练速度； 6. 用多头值估计（Multi-Head Value）方法降低估计方差等。

图 | 网络架构 其次，团队借用围棋的思路，采用了 CSPL（Curriculum Self-Play Learning，课程自对弈学习），能够有效拓宽英雄池，让 “绝悟 “掌握所有英雄技能。 CSPL 是一种让 AI 从易到难的渐进式学习方法，具体有以下几个步骤： 1．“老师分身” 模型：挑选多组覆盖全部英雄池的阵容，在小模型下用强化学习训练，得到多组 “老师分身” 模型； 2．迁移模型：蒸馏，把第一步得到的多个模型的能力迁移到同一个大模型中； 3．随机阵容的强化训练：在蒸馏后的大模型里，随机挑选阵容继续强化训练和微调。通过多种传统和新颖技术方法的结合，实现了在大的英雄池训练，同时还能不断扩展的目标。

图 | CSPL 流程图。任务由易到难，模型从简单到复杂，知识逐层深入。 实验结果表明，使用 CSPL 方法扩展英雄池有明显优势，能够在非常有效地减少训练时间，同时保持良好的效果。

图 | 实验结果 最后，团队还搭建了大规模训练平台 —— 腾讯开悟（aiarena.tencent.com）。该平台依托项目积累的算法经验、脱敏数据及腾讯云的算力资源，为训练所需的大规模运算保驾护航。目前，开悟平台于今年 8 月对 18 所高校开放，未来希望为更多科研人员提供技术与资源支持，深化课题研究。 排兵布阵，致人而不致于人

作为团队的大脑，教练在整个比赛中都起到了非常重要的作用。无论是在 BP 环节（禁选英雄）的选择，还是阵容的压制上面，稍有不慎就为给对手带来先天优势，造成 “致于人” 的局面。因此，“绝悟” 要取得胜利就必须找到一个能排兵布阵的 AI 教练。

目前，简单的做法是选择贪心策略，即选择当前胜率最高的英雄。这针对单个英雄而言或许可以，但王者荣耀有上百个英雄，任意英雄间都有或促进或克制的关系，只按胜率选择很容易被对手针对，更需要综合考虑敌我双方、已选和未选英雄的相关信息，最大化己方优势，最小化敌方优势。 受到围棋 AI 算法（Alpha Go）的启发，团队使用蒙特卡洛树搜索（MCTS）和神经网络结合的自动 BP 模型来解决这一问题。 MCTS 方法包括了选择、扩张、模拟和反向传播四个步骤，会不断迭代搜索，估算出可选英雄的长期价值。在这其中模拟部分最耗时，所以团队用估值神经网络替代该环节，加快了搜索速度，这样能够又快又准地选出具备最大长期价值的英雄。要提到的是，围棋等棋牌类游戏结束就能确定胜负，但 BP 结束只到确定阵容，还未对战，所以胜负未分。因此团队利用绝悟自对弈产生的超过 3000 万条对局数据训练出一个阵容胜率预测器，用来预测阵容的胜率。胜率预测器得到的阵容胜率又被用来监督训练估值网络。

图 | 蒙特卡洛搜索树 除了常见的单轮 BP，AI 教练还学会了王者荣耀 KPL 赛场上常见的多轮 BP 赛制，该模式下不能选重复英雄，对选人策略要求更高。为此，团队引入多轮长周期判定机制，在 BO3/BO5 赛制中可以全局统筹、综合判断，做出最优 BP 选择。训练后的 BP 模型在对阵基于贪心策略的基准方法时，能达到近 70% 胜率，对阵按位置随机阵容的胜率更接近 90%。 至此，强兵加军师的组合，使得 “绝悟” 成为了不折不扣的一代宗师。

除了上述的 RL（强化学习）算法外，团队还开发了 SL（监督学习）算法，针对大局观和微操策略同时建模，让绝悟同时拥有优秀的长期规划和即时操作，达到了非职业玩家的顶尖水平。

相关技术成果曾在 2018 年 12 月公开亮相对战人类玩家。其实，团队对于监督学习的研发一直在持续进行中。今年 11 月 14 日起开放的绝悟第 1 到 19 级，就有多个关卡由监督学习训练而成。

从研究方法上看，监督学习对于 AI 智能体的研发有很高的价值。 1.“更像人”：通过挖掘人类数据预测未来的监督学习是通常是研发游戏 AI 的第一步，并在众多视频游戏上取得较好效果。比如在明星大乱斗等复杂电子游戏中，纯监督学习能也学到达到人类高手玩家水平的 AI 智能体。 2. 多种深度学习的结合：监督学习能复用为强化学习的策略网络，如 AlphaGo 就是监督学习结合强化学习。 3. 节约训练时间：同时适当地插入监督学习可以缩短强化学习探索时间，比如 DeepMind 的星际争霸 AI AlphaStar 就用监督学习做强化训练的隐含状态。

图 | 网络架构 应用上述诸多优点，“绝悟 “可以实现一系列效果：训练快，在 16 张 GPU 卡上只需几天，而强化学习则需几个月；拓展能力强，能完成全英雄池训练；使用真实玩家的脱敏数据，配合有效采样，产出的 AI 行为上会更接近人类。 随着 AI 在游戏世界的发展，它们在数据的记忆和处理方面的优势能够进一步体现出来。那么如何利用 AI 来强化自己的队伍，或许是当下游戏教练需要思索的问题。 -End-

原文标题：登上NeurIPS 2020：腾讯AI联合王者荣耀推出“绝悟”完全体

文章出处：【微信公众号：DeepTech深科技】欢迎添加关注！文章转载请注明出处。

责任编辑：haq