不知道你是否玩过王者荣耀，不知道你是不是经历过被人机疯狂怼在塔下强杀然后嘲讽你的经历？就，真说多了就是泪。
最近，NeurlPS会议收录了来自腾讯AI Lab的一篇强化学习的论文《Towards Playing Full MOBA Games with Deep Reinforcement Learning》本文将介绍一下这篇论所讲的内容。
摘要
多人在线竞技类游戏 MOBA 长久以来一直吸引着众多玩家，其中的王者荣耀、英雄联盟、Dota 2 等最近也常被 AI 研究者当做人工智能的实验场，其中的多智能体、巨大的状态动作空间、复杂的环境等元素向 AI 系统提出了极大的挑战。开发用于 MOBA 游戏的 AI 引起了广泛的关注。
然而，当 OpenAI 的 Dota AI 将游戏限制在只能选择 17 名英雄的情况下，若想扩展英雄库，现有的工作在处理由智能体组合（即阵容）爆炸性增长所导致的游戏复杂性方面的问题存在难度。因此，现有的 AI 系统并不能掌握完全没有限制的 MOBA 游戏。
本文，将新的和已有的学习技术结合起来，对系统设计和算法都做了大量的优化，包括课程自我博弈学习、策略蒸馏（policy distillation）, 离策略自适应（off-policy adaption）、多头值估计（multi-head value estimation）、蒙特卡洛树搜索等，在训练和用大量英雄玩游戏，同时巧妙地解决了可扩展性的问题。
在王者荣耀上进行测试，展示了人类可以打造出能够击败顶级电子竞技玩家的超级 AI 智能体。通过文献中首次对 MOBA AI 智能体进行大规模性能测试，证明了该 AI 的优越性。
学习系统
为了解决 MOBA 游戏的复杂性，该研究结合了新的和现有的学习技术，用于神经网络架构、分布式系统、强化学习、多智能体训练、课程学习和蒙特卡罗树搜索。尽管该研究使用王者荣耀进行研究，但这些技术同样适用于其他 MOBA 游戏，因为 MOBA 游戏的游戏机制是类似的。
网络结构设计主要包括如下几个方面：
多模态特征输入（生命值、金币、等级等）
使用 LSTM 来处理部分可观测的问题
使用注意力机制进行目标选择
为了提高训练的效率，动作掩码（action mask）就被引用进了策略的输出层。它是建立在人类玩家丰富先验知识的基础之上，加入了动作之间的相关性，这样就可以减少强化学习中的探索过程。
分层动作设计、动作离散化设计
AI分层次的预测动作
策略更新
研究人员使用了双边截断的PPO方法：
介绍这个改进算法之间首先要简单介绍一些原始的PPO算法的思想：PPO算法是一种基于Policy Gradient的强化学习算法，根据OpenAI[2]的解释，之前的Policy Gradient算法对步长非常敏感，策略更新过程中如果步长过小，那么策略 更新的速度会非常缓慢。反之，如果策略更新步长过大，那么策略更新波动会非常剧烈，很难收敛。
因此，PPO就应运而生了，它采用新策略与老策略之间的比值来限制策略的更新幅度，这样策略的更新对步长就不再那么敏感。简而言之，PPO在原来Policy Gradient加入了一个关键的部分，策略比值
c大于1表示下界，
表示最初的截断
值函数更新
模型使用了游戏状态的完整信息，包括隐藏的观测信息作为值函数的输入来降低值估计的方差。值得注意的是，这种方式仅在训练阶段使用，因为测试时只需要策略网络。为了更准确地估计值函数，研究人员引入了multi-head value(MHV)方法。由图1可知，reward被分成了5大类。损失函数定义如下：
其中Rk t和V kt分别为第k个头的奖励折现和价值估计。
然后，总价值估计是头值估计的加权和。
多智能体训练
大型英雄池会导致大量的阵容。当使用自我博弈强化学习时，10 个智能体玩一个 MOBA 游戏面临着运动目标不稳定的问题。此外，不同的 self-play 游戏阵容各不相同，这使得策略学习更加困难。在训练中出现紊乱的智能体组合导致性能下降。这需要一个范式来指导 MOBA 中的智能体学习。
阶段 1，从简单的任务开始，训练固定的阵容。
阶段 2，专注于如何继承固定阵容的 self-plays 游戏所掌握的知识。
采用了multi-teacher政策蒸馏，使用第一阶段的模型作为老师Π，然后合并为单一学生模型Π，loss函数定义如下：
阶段 3，通过从第 2 阶段中提取的模型进行模型初始化，从英雄池中随机挑选阵容进行持续训练。
学习征召模式
扩大英雄池所带来的一个新问题是 BAN 选机制（Ban Pick）。在 MOBA 比赛开始之前，两支队伍经过挑选英雄的过程，这将直接影响未来的策略和匹配结果。给定一个庞大的英雄池，例如 40 个英雄（超过 10的11次方组合），一个完整的树搜索方法，如 OpenAI Five[2]中使用的 Minimax 算法，在计算上是困难的。
为了解决这个问题，研究者利用蒙特卡洛树搜索（MCTS）和神经网络开发了一种 BAN 选智能体。MCTS 会估算每次选择的长期价值，价值最大的英雄将被选中。该研究使用的特定 MCTS 版本是应用于树（UCT）的上置信界。在征召模式 Ban 选的过程中迭代地构建一棵搜索树，其中每个节点代表一个状态（两个团队都已经选择了英雄），每条边代表一种动作（选择尚未选择的英雄），然后会产生下一个状态。
实验结果
腾讯 AI Lab 训练了一个英雄池大小为 40 的 AI 版本，覆盖了所有英雄角色，包括坦克、法师、辅助、刺客、射手和战士。英雄池的规模是 OpenAI 的 2.4 倍，英雄组合复杂度提升了 2.1×10^11 倍。在挑选英雄阶段，人类玩家可以从 40 个英雄中随机挑选。在对局中，研究人员没有对游戏规则进行任何限制，玩家可以任意购买物品或者使用自己喜欢的召唤师技能。
为了测试 AI 的真实水平，腾讯邀请了王者荣耀职业玩家来和 AI 进行对抗。从 年 2 月 13 日到 4 月 30 日，AI 每周都会和职业玩家进行多次对弈。职业玩家被鼓励使用他们擅长的英雄以及尝试不同的游戏策略。在最初的 10 周时间内，人机对决共进行了 42 场，AI 赢了 40 场（95.2% 的胜率，置信区间[0.838,0.994]）。
年 5 月 1 日到 5 月 5 号，腾讯 AI Lab 将 AI 部署到王者荣耀正式服务器上和玩家公开对抗，对参与玩家设置了段位门槛。为了鼓励玩家参与，玩家如果击败了 AI 就能够拿到一枚荣誉徽章。最终，绝悟 AI 与顶尖玩家对抗了 642,047 局，AI 赢得了其中的 627,280 局(胜率 97.7，置信区间[0.9766, 0.9774])。对比其它的公开游戏 AI 测试：AphaStar 和 OpenAI 各打了 90 和 7,257 场，而且对参与者没有游戏水平的要求。
在图 3 中，研究者说明了 CSPL 的整个训练过程和基线方法。表 1 对比了两种方法的具体训练时间。
为了进一步分析该方法中的组件，研究者进行了几项内部控制变量实验，结果如图 4 所示。
结论
在本文中，提出了一种用于使用深度强化学习来玩完整的MOBA游戏的MOBA AI学习范式。我们开发了一种结合了新颖和现有的学习技术，包括非策略适应、多头值估计、课程自玩学习、多教师策略提取、蒙特卡罗树搜索等，以解决由于训练和玩大英雄池而出现的问题。在目前最流行的MOBA游戏《王者荣耀》的测试中，我们的AI能够打败顶尖的人类玩家并具有统计学意义。据我们所知，这是第一个基于强化学习的MOBA AI程序，它可以玩40个英雄或者更多。此外，在我们的大规模、严格、反复的性能测试中，还没有针对复杂策略视频游戏的人工智能程序。在未来，我们将继续致力于完全英雄池的支持，并研究更有效的训练方法，以进一步缩短MOBA AI的学习过程。为了促进游戏智能的研究，我们也会为人工智能社区开发moba游戏的子任务。
或许如果你没玩过王者荣耀，你可以看看他的游戏界面
AAAI 使用深度强化学习的MOBA游戏《Towards Playing Full MOBA Games with Deep Reinforcement Learning》打败王者荣耀顶尖选手
