时间：2022-11-30 23:30:01
在这个人工智能领先的时代，AI似乎能成就一切。 从医疗、安防等民生领域，到围棋等智力竞技，都离不开AI的身影。 而“深度学习”、“神经网络”等名词，也从高中毕业的专业名词，逐渐进入了大家的生活。
在炉石传说这种不对称的竞技游戏中，AI的表现会怎么样呢？ 炉石箱开发的国际象棋AI助手给出了答案。 让我们来看看这个将棋AI助手是如何诞生的。
在酒家战番中，每次更新版本都有很长的适应期，有时候不做几天，完全不知道这个版本该怎么玩，常常速度能达到8级。 有酒馆战手AI助手就可以很容易地解决这个问题。 酒馆战棋AI助手应用网络轻松上手的人工智能技术，借鉴大量战棋高端玩家的对战操作，在对局中根据玩家目前的情况实时推荐打法，帮助玩家熟悉环境和打法，与新手玩家
电子游戏AI领域最大的挑战是操作多样性和版本迭代带来的AI更新问题。 众所周知，许多竞技类游戏在每次经过大幅更新后，几乎都是全新的游戏，即使是顶尖的职业选手也会随着版本的变化而出现状态的起伏，被称为“世代补丁一代神”。 在这个阶段，为了维持AI的更新和稳定性，需要基础的稳定化，需要充分理解对战手段的机制。 在这个问题上，网络AI团队的每个工程师都是酒馆战手的老手选手，初期开发中重视酒馆战手AI的不同游戏版本的扩展能力。 例如，以一个随从存在多个维度为特征，攻击、血液量、是否带有圣盾等，这些维度在版本更新时也可以容易地扩展。 例如，是否在大发雷霆(铁匠)、是否处于休眠状态(马维)等。 另外，对于特殊的随从，可以根据红衣服、熊妈妈等人种关键词进行关联。
围棋盘是二维的，可以看作一张照片； 因此，alpha go、绝艺等将棋类AI多采用CNN网络结构，将各个位置作为像素点转换为19*19*17的矩阵输入。 酒馆的将棋虽然名字中带有“围棋”的字样，但实际操作非常多样，有大量的随从信息、对方信息、自己的状态等。 为此，网络AI团队选择了另一个方向——自然语言处理中的transformer结构，将卡片序列类比为文本，在判断当前阵容与鲍勃酒馆从业者相关性的同时，以自己的血液量及其排名作为阈值。 也就是说，自己越是危险的时候，越倾向于购买打工的怪保血量，安全的时候可以寻找核心。
阿尔法go和柯洁联手
同样，围棋一手只有一个操作和一个位置的选择，但酒馆战手的选择非常多样。 比如“刷新酒馆”只是一步行动，“买侍从”不是一步完整的行动。 像“购买布莱恩铜须”那样给出具体的对象就是它。 也就是说，有些行动不需要表明随从的对象，而有些行动则需要。 这和MOBA游戏有点相似。 例如，在投入技能时，有些技能需要指定方向，而有些技能则不需要。 支持网络的AI团队在模型输出的设计中应用了Dota2 OpenAI-Five的技巧，表现出不同级别、类型的子输出，最后将这些子输出组合成完整的一个行为。
Open AI five
在训练数据方面，AI团队综合考虑了玩家的细分、最终排名、回合状态，设定了短期目标和长期目标，避免训练过度极端的AI。
酒馆战手AI一经推出，便在全球暴雪游戏论坛上引起广泛讨论。 国内社区发起了相关观点投票：
有玩家认为，酒馆的国际象棋AI可以让自己像鬼一样，享受前所未有的上快感。
有玩家表示担心国际象棋AI的强大辅助效果会损害游戏的公平性。 在外挂的帮助下，原本1万分以下的玩家具备瞬间与1万分相媲美的战力，将会给无法打开外挂的玩家带来更高的得分难度。
海外社区也同样热闹起来，海外玩家对将棋AI表现出浓厚的兴趣，AI是一位对自己将棋有更大帮助的良师益友，他们渴望早日拥有将棋AI，获得与中国玩家同样的福利。
酒家战棋AI的诞生，凸显了网易的技术深度，体现了网易在AI领域的深耕意识。 初学者发展的将棋AI只是一个开始，随着网络结构的演变和数据的积累，将棋AI会越来越强。 alpha go诞生后，围棋界也在alpha go引领的“点三三”等新打法上取得了革命性的突破。 但是，随着将棋AI的进步和强化学习等更深层次技术的引入，将棋AI也可能会给打法和节奏的选择带来惊讶。 总有一天，可能会看到将棋AI与瓦娘、会长、墨衣等大神同台竞技的场景。
参考文献
1.Vaswani，Ashish，et al.' attentionisallyouneed.' arxivpreprintarxiv:1706.03762 ( 2017 )。
2.DEVLIN、Jacob、et al.Bert:pre-trainingofdeepbidirectionaltransformersforlanguageunderstanding.arxivpreprintarxiv
3. BERNER，Christopher，et al.dota2withlargescaledeepreinforcementlearning.arxivpreprintarxiv:1912.06680，2019。
4. SILVER，David，et al.masteringthegameofgowithdeepneuralnetworksandtreesearch.nature，2016，529.7587:484-489。
