王者荣耀：绝悟AI的原理浅析

本文作者：NGA-43097891

相信大家这几年或多或少都听过深度学习这个概念。绝悟AI正是深度学习的产物，更确切说绝悟AI的核心是深度强化学习(Deep Reinforcement Learning)。本人粗略阅读腾讯AI lab 叶德珩博士一作的论文

[1](链接在文末参考文献中)，此文发表的人工智能的顶会2020 AAAI上面(虽然这个会议的水平个人感觉最近有些下降)。下面本人结合论文和一些资料，对绝悟的内部原理细节做进行阐述。

首先是背景，相信大家应该都听过围棋AI-AlphaGo。之前的阿尔法狗一战成名让强化学习名声大噪。之后便有各种游戏AI，例如DeepMind的星际争霸的AI与OpenAI的Dota2的AI，这两个比较早，因该是两三年之前。之前便取得不错的成绩，因为本人是刀塔玩家，所以当时TI比赛期间见过AI 5v5 明星挑战赛。下面将绝悟与go做个对比：

上面主要介绍绝悟AI在1v1的环境下，相比于Go的计算复杂度上面，以Action space(直译动作空间)为例王者荣耀的每一帧的操作可以分解为100+个离散的动作(比如位移，点击技能，点击攻击按键等)，这里的9000帧每局游戏应该是考虑到人类的反应时间而设置的帧数。所以我们可以看到，游戏AI的复杂度是很高的。

下面还需要提出两个概念，智能体(agent)和游戏单元(game unit)，智能体可以简单理解为英雄，游戏单元包括小兵，野怪，防御塔之类。
由于1v1难以获取高效的数据(叶博士说1v1练英雄比较多)，所以采用无监督学习的方式，采用自对弈的方式(即我训练我自己)。
下面正式进入绝悟的细节：
首先是系统架构方面，也是就是绝悟AI的整体到底是个什么东东。

首先要说明的是，上述各个模块是独立的，下面我将逐一介绍。

1)AI server with Game Env部分：这就是AI打AI(我打我自己)的地方，并且与游戏环境做交互，这里设计到游戏的内核部分。

2)Dispatch部分：这个部分主要就是收集游戏数据，传输给下一个部分

3)Memory Pool部分：其中进行存储前一部分传输过来的数据，并且对数据进行处理，以方便喂给我们的学习器。

4)RL learner部分：顾名思义，就是训练强化学习的模型的地方，并且将输出的数据再传输给我们的第1)部分(这里的输出简单理解应该就是我们英雄所执行的各种动作)，这样AI就可以与AI博弈。
(腾讯果然财大气粗，这里光显卡用了1000+，应该是英伟达专业级的神经网络显卡)

看完上述的描述，大家应该发现，RL learner才是AI的核心，没错下面我将详细介绍RL learner部分，照例我们先看框图：

看不懂没关系，因为这个东西确实不是专业的确实很难看懂，我会尽量用浅显的语言对其进行解读。因为内部机制过于复杂，我会尽量用浅显的语言进行描述。下面从左往右进行分析：

1)Encoded observations部分：这个部分有三个输入，首先Unit输入部分，这里包括我方英雄，地方英雄，英雄的移动，防御塔等。其次Image部分，我个人理解应该是，自身英雄周围的一个区域的图像。最后Game state Info部分， 包括比如经济，人头，血量之类的数据。图像经过卷积网络得到一个向量(大家就简单理解为图像识别就可以)，Unit的数据和Game state Info的数据则经过FC(全连接网络)得到不同的向量(这里大家理解为，就是把这些游戏里的数据，转换成为另外一种形式，牺牲点严谨性来说，就是转换成一串数字)。之后把这三部分转后的数字，我们拼接起来，变成更大的一长串数字，这就是我们从当前环境中提取的信息。

2)第二部分就是核心部分了，(这部分不想看可以跳过去)。这部分包括LSTM(长短时记忆网络)和Attention(注意力)机制，将之前的一大串输出输入到这个LSTM网络当中，经过FC变换之后，得到初步的输出。Attention部分用了RL探索的剪枝(y1s1，我不是搞强化学习的，这个地方我也不是很懂)，反正作用就是，我面前很多东西，比如野怪，小兵，它，敌方英雄，我该干谁呢，就由这个决定就完事了。具体的细节有能力有兴趣的坛友可以去看论文。

3)第三部分模型的输出部分，当然这个部分呢，还是需要再上一步做些调整和变化的。细心的朋友已经发现了，上面这几个输出不是独立的，具体什么意思呢。

这里列举了最简单的移动按钮为例(就是移动轮盘)。首先是button按钮，其次的四个是我该怎么拖动这个按钮(就是我拖动技能，方向和距离)，这个大家都很熟悉，一定能秒懂我什么意思。最后一个是Target部分，就是目标，就是我该瞄准谁呢？小兵、塔、敌方英雄等。技能按钮以此类推。

(论文中提到，虽然这些输出有依赖，但是通过一些手段，可以使其独立，就是这几个没什么关系。这里面就是这篇文章比较有新意的地方，叫Dual-clip PPO，反正这些东西不影响我们对AI的理解)

以上就是系统框架内容，通过不断的训练优化这个模型(这里涉及到网络的训练问题，很复杂，还要看工程师的“炼丹”能力如何)，AI英雄会越来强，没错就是越来越强，不要问为什么(深度学习的可解释性是个很大的难题)，事实摆在眼前。
上面内容是不是有点复杂，确实我也这么觉得，如果你都看懂了，说明你很有“炼丹“的天赋(手动狗头)。

下面我们说点轻松的:
为了测试AI的性能，AI团队还邀请了几位职业选手进行1v1对抗，以下是论文截图，结果表明，AI可以达到职业水准(没错，就是这么牛x)。

这里还有一个细节，AI的反应时间是133ms，论文中说133ms是顶级业余选手的反应时间，所以被绝悟揍是很正常的。下面是职业怎么挨打的数据，大家看看就好。

然后AI又去找路人玩家PK，数据如下

可以发现，大部分都是绝悟赢，输的几场，用官方的解释来说呢，可能是因为HanXin(二一横扫)，SunWukong(吉吉国王)，HouYi(真正的射手)比较依赖暴击，由于暴击是一个不确定因素，所以对于AI来说有些影响。

再来个泥潭之前的日常话题ELO：

这是论文里，训练狄仁杰的效果图，我们看见官方内部给出的玩家水平评价指标就是ELO。模型训练大约7小时，已经可以干掉游戏自带的AI了，12小时达到星耀水平，30小时达到王者水平，60小时达到荣耀王者水平，70小时已经接近职业水平(为了防止杠精，怎么职业和荣耀差不多，我不做解释，这是论文给出的数据)。

最后我给出一个论文中另外一个有意思的点，也可能是整篇文章对于我们最有帮助的部分。

这是AI的奖励机制，从上到下依次是，英雄生命、塔生命(这里应该是敌方的塔)、钱、蓝量、死亡次数、击杀数、经验与补刀。旁边的数字代表这些行为的权重，也就是权重越高，AI对这些东西越重视(推塔游戏名不虚传，游戏AI教我玩游戏系列)。