关于AG和星际争霸职业选手的比赛，人们最关注的无疑是比赛结果，究竟是AG再次将人类骄傲的自尊捏个粉碎，还是人类反戈一击，证明人工智能所谓的胜利只不过是一时侥幸？
自从谷歌的AlphaGo（以下简称AG）战胜了围棋九段高手李世?后，一方面关于人工智能的争议再次尘嚣直上，另一方面AG又找到了新的挑战领域。3月27日，暴雪娱乐制作总监Tim Morten在上海WCS世锦赛上宣布证实，狗狗下一个挑战目标将是星际争霸2（以下简称SC2，星际争霸简称为SC，以后不再赘述）。
关于AG和星际争霸职业选手的比赛，人们最关注的无疑是比赛结果，究竟是AG再次将人类骄傲的自尊捏个粉碎，还是人类反戈一击，证明人工智能所谓的胜利只不过是一时侥幸？
AG如何学习？
所谓“知己知彼，百战不殆”，要分析AG能否战胜职业选手，首先就要了解AG如何学习一种全新的规则。与前辈“深蓝”所采用的推演式算法不同，AG在与李世?对战之前，除了学习围棋的基本规则外，还学习了人类对弈中使用的近3000万种走法来“丰富阅历”，让AG学会预测人类专业棋手怎么落子。然后让AG自己跟自己下棋，从而又产生规模庞大的新棋谱，据谷歌工程师宣称，AG每天可以尝试百万量级的走法。而在正式对弈中，AG会通过蒙特卡洛树搜索算法从这些棋谱中搜索出胜率最高的走法。
相比国际象棋，围棋的走法可能性非常多，仅起手时就有19*19种落子方式，更不要说以后的棋子布局方式了。在有限的国际象棋棋盘上，“深蓝”可以依靠推演算法算出之后的12步棋，但是在围棋上，这种“思维方式”非常陈旧，耗费资源多且效率低下，因此才被“学习+思维”的全新方式取代。
AG有何优劣？
可以说，AG需要先学习SC2的基本规则，包括地图地形、各种族兵种的攻防数值，在此基础上消耗时间学习之前SC2职业高手大量的对战，最后自我对战形成更多战术储存在服务器中，最后利用蒙特卡洛树搜索算法进行战术对比，在实际对战中与职业高手一较高下。
但是，由于游戏本身就是多个规则逻辑模块组成的程序集合，与AG可以说是源出同门，由人工智能程序执行游戏程序，执行效率不知要高出人多少倍。目前顶尖的职业选手，其APM（每分钟操作次数，键盘+鼠标的总和）也不过400多，如果扣除了重复操作外，其EAPM（每分钟有效操作次数）就更低了，但与此相比，AG运行后保守估计其APM可以超过8000，并且全部都为有效操作，AG完全可以凭借高速操作，达到战术胜利累积到战略胜利的目的，这段视频足以说明AI能够以人类完全达不到的手速吊打人类。
100只小狗VS20辆攻城坦克，由职业选手和AI各自操作小狗进攻，职业选手仅消灭了2-3辆坦克就全军覆灭，AI却能判断弹着点方位避开攻击，消灭全部坦克后还有近20只左右的剩余。当然了，可以通过技术手段设定AG的APM上限来限制这种优势。而且AG也不是没有劣势，人工智能没有什么战略战术的概念，如果要AG达到职业选手所需要的战略战术概念，目前还不知道要消耗多长时间。同时目前在比赛中需要为AG设定操作视野范围和侦察的功能，不然地图加载完成后，AG可以在最短时间内制定出最优路线，而职业选手需要依靠士兵探索，这样的比赛几无公平可言。
由AI挑战AI的电竞？
虽然AG挑战职业选手的众多细节还未确定，但目前已经引起了各方的兴趣，暴雪方面可以通过比赛增加对SC2的关注度，一改目前SC2的弱势局面。而同时，AG与职业选手的比赛也可以为电竞增加新的内容形式，不仅是人工智能挑战人类，而且可以衍生出AI挑战AI的比赛方式。
由于SC中的 AI可以由第三方脚本的形式存在，所以AI挑战AI并无技术难度。早在母巢之战资料片中，用代码玩 SC的 的服务器API就已经存在， 用C++代码以及LUA语言可自由编程生成dll格式的AI文件，将这个AI文件注入程序后即可操纵SC的兵种。至今为止，AI文件已经能够获取SC内存底层中各种建筑与兵种数据，并且操纵各种兵种作出各种动作，如果更多的人应用这个API制作属于自己的SC AI文件，那么在AI之间进行电竞比赛就不再是一个梦了。
此前，美国的Elecbyte小组使用C语言与Allegro程序库开发了一款免费2D格斗游戏引擎Mugen，吸纳了众多格斗游戏的知名人物和招式，通过这款引擎实现了各人物的穿越乱斗，并且已经实现了AI之间的战斗，众多爱好者可以使用自己编写的AI算法，让格斗人物发出无法在实际操作中实现的酷爽连招，如今这种方式在SC中也同样可以实现。
电竞比赛发展到今天，此前竞赛游戏的战术潜力已经被开发殆尽，此次人工智能挑战职业选手一方面是为测试人工智能的潜力，另一方面也为电竞比赛带来了新的看点，同时支持第三方算法脚本的竞技性游戏又为AI扩展提供了技术基础，那么AI之间的电竞挑战又有何不可？让众多手速不足的“手残”程序猿们通过自己的代码一决高下，你兴奋了吗？
大家都在看
(扫描关注微信订阅号)