Die KI von DeepMind hat jetzt fast alle menschlichen Spieler bei StarCraft II übertroffen

AlphaStar (Zerg, in Rot) verteidigt eine frühe Aggression, bei der der Gegner einen Teil der Basis in der Nähe der Basis von AlphaStar errichtete. Mit freundlicher Genehmigung von DeepMind

Im Januar dieses Jahres gab DeepMind bekannt, dass es einen Meilenstein auf seiner Suche nach künstlicher allgemeiner Intelligenz erreicht hat. Es hatte ein KI-System namens AlphaStar entwickelt, das zwei professionelle Spieler bei StarCraft II, einem beliebten Videospiel über galaktische Kriegsführung, schlug. Das war eine ziemliche Leistung. StarCaft II ist hochkomplex, mit 1026 Auswahlmöglichkeiten für jeden Zug. Es ist auch ein Spiel mit unvollständigen Informationen – und es gibt keine endgültigen Strategien zum Gewinnen. Die Errungenschaft markierte eine neue Stufe der Maschinenintelligenz.

Jetzt veröffentlicht DeepMind, eine Alphabet-Tochter, ein Update. AlphaStar übertrifft jetzt die große Mehrheit der aktiven StarCraft-Spieler und demonstriert eine viel robustere und wiederholbare Fähigkeit, spontan Strategien zu entwickeln, als zuvor. Die Ergebnisse, veröffentlicht in Natur heute, könnte wichtige Auswirkungen auf Anwendungen haben, die von der maschinellen Übersetzung über digitale Assistenten bis hin zur militärischen Planung reichen.

StarCraft II ist ein Echtzeit-Strategiespiel, das meistens eins zu eins gespielt wird. Ein Spieler muss eine von drei menschlichen oder außerirdischen Rassen wählen – Protoss, Terraner oder Zerg – und zwischen dem Sammeln von Ressourcen, dem Aufbau von Infrastruktur und Waffen und dem Angriff auf den Gegner wechseln, um das Spiel zu gewinnen. Jede Rasse hat einzigartige Fähigkeiten und Einschränkungen, die sich auf die Gewinnstrategie auswirken, daher wählen und meistern die Spieler normalerweise eine davon.

AlphaStar verwendete Reinforcement Learning, bei dem ein Algorithmus durch Versuch und Irrtum lernt, um das Spielen mit allen Rassen zu meistern. Dies ist wirklich wichtig, weil es bedeutet, dass die gleiche Art von Methoden im Prinzip auf andere Bereiche angewendet werden kann, sagte David Silver, der leitende Forschungswissenschaftler von DeepMind, bei einem Pressegespräch. Auch in der offiziellen Online-Liga erreichte die KI einen Rang über 99,8 % der aktiven Spieler.

AlphaStar spielt als Protoss (in Grün) und kontert einen Angriff eines Zerg-Spielers. Mit freundlicher Genehmigung von DeepMind

Um eine solche Flexibilität zu erreichen, modifizierte das DeepMind-Team eine häufig verwendete Technik, die als Selbstspiel bekannt ist, bei der ein Reinforcement-Learning-Algorithmus gegen sich selbst spielt, um schneller zu lernen. DeepMind verwendete diese Technik bekanntermaßen, um AlphaGo Zero zu trainieren, das Programm, das sich ohne menschliches Zutun selbst beigebracht hat, die besten Spieler im alten Go-Spiel zu schlagen. Das Labor verwendete es auch in der vorläufigen Version von AlphaStar.

Herkömmlicherweise sind beim Selbstspiel beide Versionen des Algorithmus so programmiert, dass sie ihre Gewinnchancen maximieren. Die Forscher stellten jedoch fest, dass dies nicht unbedingt zu den robustesten Algorithmen führte. Bei einem solchen Spiel mit offenem Ende riskierte man, den Algorithmus in bestimmte Strategien einzuordnen, die nur unter bestimmten Bedingungen funktionieren würden.

Inspiriert von der Art und Weise, wie StarCraft II-Profispieler miteinander trainieren, programmierten die Forscher stattdessen einen der Algorithmen, um die Fehler des anderen aufzudecken, anstatt seine eigenen Gewinnchancen zu maximieren. Das ist so, als würde man einen Freund bitten, gegen einen zu spielen, sagte Oriol Vinyals, der leitende Forscher des Projekts, bei dem Anruf. Diese Freunde sollten dir zeigen, wo deine Schwächen liegen, damit du schließlich stärker werden kannst. Die Methode erzeugte viel verallgemeinerbarere Algorithmen, die sich an eine breitere Palette von Spielszenarien anpassen konnten.

Die Forscher glauben, dass die Strategieentwicklungs- und Koordinationsfähigkeiten von AlphaStar auf viele andere Probleme angewendet werden könnten. Wir haben uns für StarCraft [...] entschieden, weil wir der Meinung waren, dass es viele Herausforderungen widerspiegelt, die tatsächlich in realen Anwendungen auftreten, sagte Silver. Diese Anwendungen könnten digitale Assistenten, selbstfahrende Autos oder andere Maschinen umfassen, die mit Menschen interagieren müssen, sagte er.

Die Komplexität [von StarCraft] erinnert viel mehr an die Größenordnungen, die wir in der realen Welt sehen, sagte Silver.

Aber AlphaStar demonstriert auch die erheblichen Einschränkungen der KI. Zum Beispiel benötigt es immer noch um Größenordnungen mehr Trainingsdaten als ein menschlicher Spieler, um das gleiche Können zu erreichen. Auch von der Umsetzung in anspruchsvolle Robotik oder reale Anwendungen ist eine solche Lernsoftware noch weit entfernt.

Um mehr Geschichten wie diese direkt in Ihren Posteingang zu bekommen, melden Sie sich für unseren von Webby nominierten KI-Newsletter The Algorithm an. Es ist kostenlos.

verbergen