「专栏/作者简介」
「电子竞技」杂志
暴雪黑白：只做忠实的陈述，这里的黑白由你们的投票来决定
「作者」：石翔，从一个悖论中挣脱，奔向下一个悖论的疯狗
最开始的时候本来想着做一个科普的内容，但是在研究过关于星际争霸AI的方向之后才发现，谷歌的世界已经不是我这样没进行过专业训练的记者能够用明确清晰的描述清楚的了。但是，对于人工智能我们还是看到了非常多的误解和偏见，所以有一些基本的不错的提法，还是希望能够有更多的人能够了解。
上一次关于人工智能的社会热点来自于“AlphaGo”的横空出世，之前的杂志上也做过专门的内容，对于那个阶段的人工智能而言，我们可以清晰的归纳出一些限制条件。这其中最重要的一点是来自于规则，任何棋类运动都拥有非常清晰而且简明的规则，在规则的基础之上，谷歌的DpMind无论实现怎样的学习，在我的认识里，都还是沿着过去几十年里一般性的计算机算法在前进。换句话说，在AlphaGo的阶段，利用原来的线性逻辑，谷歌实现了让电脑的去学习，AlphaGo的伟大之处也正在于此。
但当我们把规则放到星际争霸中的时候，谷歌虽然只是提供了一些思路，在我看来既然他们敢开启这个项目，整个他们对于混沌的处理已经到了我们想象之外的程度，在信息不对称和实时交互的环境下，实现对于部分混沌规则的信息提取与分析，听起来确实是一个非常让人兴奋的事情。如果还像很多水友把DpMind和悍马摆在一起的话，我只能说这是对于人工智能的侮辱。
说了这么多，更重要的谷歌的工程师为电子竞技的选手和数据分析师，提供了一个非常重要的思路，通过这个思路也许我们能够获得完全不同的电竞解决方案，也是电子竞技不同于传统体育的要点所在。
部分混沌的规则
听起来很玄妙的理论，我们可以用非常字面的方式理解混沌，因为部分混沌到底是怎么界定的不是重点，重点在于我们在所有的电竞项目的游戏规则中，我们要直面复杂设计规则带来的不可知。
在传统的思维方式中，我们希望能够有一些模型有效的量化眼前的世界，所以在数据分析的过程中，我们更习惯归纳和总结。但在一定的条件之下，归纳和总结会让我们浪费大量的时间，而游戏本身版本迭代速度惊人，同时很多平衡性调整是牵一发动全身，所以很难实现规律的总结，而DpMind的思路，通过大量的统计和不断的试错，来是发现相对优的解法。其实这样的方法在电子竞技的训练中是完全可取。以职业选手的训练量和训练水平，我们只需要大量提取数据，很多问题我们完全可以通过经验规律来解决，最重要的是，我们要相信这些规律。
不对称性信息的提取
在一般的传统体育中，场面的博弈中几乎不会存在直观信息的不对称，但是在电子竞技中，不对称的信息是一个非常基础的玩法。但是在数据分析的过程中，我们更喜欢从结果出发，然后提出一些可以支撑的战术分析逻辑。比较好的战术分析师和教练会尝试不断的开关全图，开让选手理解他们的逻辑。但是对于本身不对称的信息到底应该通过什么样的方法来提取，可能我们还做的远远不够。
这不是说我们应该在什么时间把在什么位置插眼或者探路的问题，是从既有的信息中，怎么提取有效信息的问题。我想在这个维度上，不久的将来DpMind会给电子竞技带来非常多全新的思路，毕竟谷歌是在走在人类最前沿的，如何能够更好的向DpMind平台学习提取信息的方法，非常值得选手和战术分析师的鍖椾含鐧界櫆椋庡彲浠ユ不濂藉悧鑳界湅濂界櫧鐧滈鐨勫尰闄?
转载请注明：http://www.twoac.com/wyyy/6575.html
