清华等世界12所顶尖高校学霸组团“打王者”，竟是为了搞科研？新智元报道编辑：好困桃子【

文章图片
新智元报道
编辑：好困桃子
【新智元导读】见过学霸打王者的样子吗？这不，清华、中科大、耶鲁等世界12所顶尖高校学霸集结，一来打王者，二来搞科研。
【清华等世界12所顶尖高校学霸组团“打王者”，竟是为了搞科研？】之前凑在一起「打王者」的学霸又来了！
成都大运会开幕在即，「世界大学生数智竞技邀请赛」正式启动。
国际级规模的大赛共邀请了12支队伍（包含中国大陆地区4所高校、中国港澳台地区及海外8所高校）参加。
每支队伍都需要训练三位英雄，并在之后让自己的AI进行「3V3」的对战，而获得冠军的团队可获得高达20万的奖金。

文章图片
在此前的1V1中，各大高校的AI各种「骚操作」不断。
比如，丝血完成反杀之后，又闪现进塔的蓝方貂蝉。
在这背后默默提供支持的，正是以「强化学习」为基础，《王者荣耀》和腾讯AILab共同研发的AI开放研究平台——开悟。
不过，为什么是强化学习？
强化学习和游戏有什么关系？
强化学习（ReinforcementLearning）是除了监督学习和非监督学习之外的第三种基本的机器学习方法。一定程度上，一些复杂的强化学习算法在具备解决复杂问题的通用智能，可以在围棋和电子游戏中达到人类水平，算是现阶段人工智能领域研究中的一门「必修课」。
举个例子，不知道大家还记不记得曾经风靡一时的FlappyBird吗，这其实就是一个典型的强化学习场景：
1.智能体——小鸟
2.与智能体进行交互的「环境」——参差不齐的水管
3.智能体可能做出的「动作」——向上飞一下或者什么都不做
4.智能体采取的行动所遵循的「策略」——为躲避水管而采取行动的概率
5.智能体在采取行动时得到的「奖励」——飞得越远得分就越高
环境会给智能体一个观测值，智能体接收到环境给的观测值之后会做出一个动作,这个动作给予一个奖励，以及给出一个新的观测值。智能体根据环境给予的奖励值去更新自己的策略。
最终，智能体能通过强化学习找到一种方法，使自己从系统的每个状态中提取的平均价值最大化。

文章图片
虽然早在上世纪50年代，强化学习的相关理论就已经开始成形。但真正走入到大众的视野之中，还是要靠着「游戏」。
2016年1月， DeepMind的围棋AI——AlphaGo登上《Nature》封面：MasteringthegameofGowithdeepneuralnetworksandtreesearch（通过深度神经网络和搜索树，学会围棋游戏）。
通过利用强化学习的ValueNetworks（价值网络）和PolicyNetworks（策略网络）， AlphaGo可以实现棋盘位置的评估，以及步法的选择。
两个月后， AlphaGo在和李世石的对战中实现惊天逆转，取得胜利。

文章图片
看到AlphaGo的成功， OpenAI直呼厉害！
于是在2016年11月， OpenAIFive正式立项。
虽然相比于更加正经的围棋来说，玩《Dota2》的OpenAIFive感觉完全是在「不务正业」。但实际上，后者的难度其实要高得多：
OpenAIFive需要从8000到80000个动作中做出选择，其中每一步还需观察约16000个值。相比之下，国际象棋中平均的可行动作是35个，围棋是250个。