如何看待AlphaGo进度落后于OpenAI？

[磁盘酱]

本文仅表达个人看法

---

前言：

本人是留美学生。虽暂不频繁实操程序（预计明年年初开始），但平时有和在藤校学习CS的学生（不论专业与否）以及业界IT从业者们有探讨相关话题。作为Dota2与SC2玩家，一直有关注OpenAI与AlphaGo在这两块最难的电子竞技上的发展。今日碰巧看到Do2相关推送，于是突然心血来潮，想写一段素材（申天香N）。

---

正文：

• 游戏及规则因素
  一些人认为StarCraft2难度程度或比do2略胜一筹，是因RTS的难度高于MOBA。这里不做详细讨论。不过OpenAI的比赛加了许多限制，才获得被一些人看作是投机取巧的胜利。自然，这块的空间还有很大。简略讨论一下MOBA这块，大概有三点：
  • 人类疲劳
    • AI是硬件支撑，天然的优势。
  • 视点关注
    • 人类视觉的关注点，在打团进行时而不是预备状态的话，基本是在画面里的正面战场，侧面一个眼路过1s内的是很难看到的。就算有200ms的延迟，通过预判走位也能完美预防，而人类在这时不可能精确到毫秒来防守跳大等操作，只能脑内留个底。
  • 规则优势
    • 从下方的参考链接可得知为何AI在规则上是有一定优势的，不详细阐述。
• 算法难关
  OpenAI开发团队正好在算法上碰巧调到了OpenAI正确有效学习获胜的部分，而DeepMind团队没有，因此现在还是只能和普通电脑A个平局。RTS的算法或许更难找一些。

从于在硅谷DeepMap公司实习的朋友听来说，目前还有2个大问题有待各个AI投资公司去解决：

• 有效学习
  • 用比喻的说法，二进制的0101说到头来都只有两个接口，但是哺乳动物的视网膜有千种，这使得人类富有学习能力。因其不适用于Mechanics Learning，各类神经学与生物学学家正在研究如何移植神经网络系统给Deep Learning这个方法。
• 数据上传
  • 4G不够快，无法处理海量的数据。如自动驾驶的AI需要考虑摩擦，人口密度，路况，车的所有型号等。据研究，人普通地举起一个杯子便约产生1.6GB，写一份卷子或者办一个项目时的数据无比巨大。5G的推行便可以极大地解决数据上下行（主为下行）的问题。

---

尾语：

TI8过几天就开始了，OpenAI估计顶多打个表演赛吧。期待日后AGI (Artificial general intelligence) 在广泛市场上的应用，尤其是生命科学，工程，金融会计等区域。不过说到底，就算如同那么多科技的进步一样，哪怕缓步解决在日益优化的效率同时产生的社会问题，AI终究是工具。

---

参考：

• 如何评价 OpenAI 在 8 月 5 日 dota2 中击败人类 7000 分路人队伍？ - 知乎
  • 个人认为2，3，7，8楼说的不错。
• （英文生肉）DeepMind Publishes StarCraft II Learning Environment | Two Minute Papers #182
  • 点我下载
• （英文生肉）AI applications in ophthalmology achieve human expert-level performance
• （英文生肉）Intelligent 5G: When Cellular Networks Meet Artificial
• 5G 网络将会怎样改变世界？
  • 2和8楼说的感觉可以。

文笔拙劣，知识浅薄，仅为分享交流，还请各位兄贵海涵。

[沙......皇伊万四世]

好！虽然只看得懂个大概但还是支持！
之前有听过别人说电子竞技这一块对人工智能是很大的考验，远超和人类下围棋，也是最后人类有可能和ai打成平手的领域，请问是这样吗？

[磁盘酱]

@沙-皇伊万四世 围棋的难度自然小于电子竞技，但更为主要的是电子竞技的思考链比围棋长且错综复杂，这才是导致AI不能像在围棋那般叱咤风云。ai需要跨越很多步时，就渐渐地无法联想到最后的可能性，说白了还是要看调到合适的hardcode，但是这异常的难。

[BBleae]

@磁盘酱 hardcode是什么东西?

[沙......皇伊万四世]

@磁盘酱 长知识了，谢谢先辈

[Z4HD]

这已经是科普文章了罢

[vicety]

感觉目前限制ML的主要还是计算能力吧，目前阶段用ML解决的问题（CV、NLP之类）需要的数据传输速度好像也不太高。
请问先辈在哪里读CS呢？

[蓝色低级嘉年华]

其实我局的陈述里可能已经有答案了，“碰巧调到了有利于比赛的参数”
作为学屑我目前肯定不了解两者真正的技术细节，不过总方向应该是八九不离十的强化学习及其相关模型。但我局的最重要还是要解决好“学什么”的问题。MOBA游戏和RTS游戏，在我看来用早期机器学习用的特征工程技术都很难抽象出玩这两类游戏的经验表示（对应于参数吧），如果没有参透人类自己学习路线（比如自己打游戏是怎么越打越好的）的高玩参与设计，可以说现在在瞎玩也不为过，所以这俩差距应该没啥意义。
以上都是学屑的个人黑屁，啊啊啊我不是张相如。

[磁盘酱]

@vicety

虽暂不频繁实操程序（预计明年年初开始），但平时有和在藤校学习CS的学生（不论专业与否）以及业界IT从业者们有探讨相关话题。

指个人暂未正式学习CS，仅是有和这类朋友交流不少。

[礼受大根]

@磁盘酱 なるほど

[隔雨听竹]

不过只是数据集的话万兆甚至多千兆网络也够了罢