学会了《街头霸王2》的AI，你怕不怕？

编译：元元、Chloe、朱颜夫、亭八

上周，在三星开发者大会（Samsung Developer Conference, SDC），出现了一个十分有趣的SDC展位，展位的主人是Gyroscope的团队，他们为了在展台上呆两天而不显得无聊，做了一件事：他们让Gyroscope的AI在超级任天堂上面征战“街头霸王2：究极格斗”，期望通过与各个角色之间的搏斗，让Gyroscope学会格斗技巧。

Gyroscope的AI并不会玩电子游戏，他们的团队也没有超级任天堂的软件开发包。所以在SDC大会之前，Gyroscope团队先设法从“街头霸王2：究极格斗”中提取了游戏信息，从而建立了Gyroscope的超级任天堂SDK。然后让Gyroscope的AI与游戏内置的计算机对手进行上千场的游戏比拼，同时他们不断地调整AI参数，让它更加适应这个特殊的应用程序。

训练AI

在训练AI之前，首先要弄清楚究竟要解决什么问题，Gyroscope团队把“街头霸王2”的问题抽象为强化学习问题。在强化学习问题中，AI要评估各种方案，选择要采取的行动，最后获得“回报”。但这一次AI程序的目标是根据过去观察到的行为，采取最佳的行动，从而获得最高的“奖赏”。所以在开始应用AI之前，Gyroscope团队需要先定义“街头霸王2”的观察内容，换一个意思来讲，就是要让人工智能“看到”什么，以及如何行动从而获得某种“奖赏”。

观察内容

观察内容可以想象成AI在环境中“看到”的东西，比如人类观察游戏的时候，首先看到的是每个角色，以及角色的跳跃、移动、踢等动作，同时还能看到角色的血条与计时器，Gyroscope团队需要把这些信息提取出来，转化成AI可以理解的格式，这种格式通常被称为“观察空间”。

在强化学习中，观察空间有两种常见的思路，传统的方法是测量人类认为与问题相关的具体信号；现代的方法是为AI提供每次行动后的全部环境图像，让AI决定图像中的重要元素。现代的方法要比传统方法更好，因为它有更好的普适性，不需要对特征的重要性做过多的假设，但这种方法往往需要更长的训练时间，因为时间的限制，Gyroscope团队选择了传统方法，并手动定义观察空间。

观察空间被定义为：

• 每个玩家的X和Y坐标

• 每个玩家的血条

• 每个玩家是否在跳跃

• 每个玩家是否蹲伏

• 为每个玩家的动作编号

• 玩家之间X和Y坐标差的绝对值

• 游戏时钟

游戏观察空间示例，这个观察空间不重复的观察点达到了万亿甚至更多

行动

当AI观察完环境之后必须采取行动，使角色行动起来最简单的方法是采用超级任天堂手柄上的按钮：上、下、左、右、A、B、X、Y、L、R。这几个按钮可以形成很多个按钮组合，如果要考虑所有可能的按钮组合，会产生1024（2^10）个可能的行动。这个可能的行动太多了，即使AI最终能够学会，也需要训练很长一段时间才能知道哪些行为有效，哪些不行，而且并不是所有的按钮都可以随时按下，许多动作要通过按键顺序才能达到更好的效果。

基本动作

“街头霸王2：究极格斗”充分利用了CAPCOM摇杆和超级任天堂手柄。下面的示意图包括8种基本控制的位置以及他们在游戏中的用法。

方向控制（来自街头霸王2：究极格斗游戏说明书）

从12点方法顺时针：跳跃，向前翻转，向前，进攻蹲伏，蹲伏，防御蹲伏，防御，向后跳跃。

手柄按钮控制（来自街头霸王2：究极格斗游戏说明书）

从左上顺时针：重击，重踢，中等击打，中等踢，轻踢，轻击。

考虑到行动空间的另一个方向是一组动作，比如高踢、扔、勾拳等， 可以让AI选择一个动作，然后把这个动作转换成一组按钮。但确定一个角色的动作需要一段时间，不仅需要大量的查阅Google，还要自己亲自玩，并且要对每个角色都要重复这个过程。

所以为了缩短训练时间，Gyroscope团队将动作空间简化为一个按下方向控制和按下一个按钮控制（例如“上+ A”或“L”）的组合，同时是否按下都是可选的，这一构建方法使得行动空间缩减成了35个可能的行动。更高级的动作和组合仍然可能随着训练时间的增加而出现，但是这部分留给了AI自行探索。

回报

最后，还要去思考这么一个问题：一旦采取行动，AI是否就能收到回报？因为当人类玩游戏的时候，会通过血条和伤害的大小，对游戏目前的状况大体上有一个认识。AI也需要通过一个数字的形式来理解游戏状况，让它们使这个数字最大化从而获得最佳奖励，Gyroscope团队选择了每一帧的血条差距作为回报。

在每次观察时，AI都会得到相当于玩家之间血条差距的奖励。例如，如果AI通过踢动作使对方受到10点伤害，之后的血条差距将会是10点，AI得到同样数量的回报。但如果AI在下次观察后不采取行动，在“无”的情况下仍然得到10点，因为它保持了血条差距。相反的，如果AI被踢并且没有防御下来，则血条差距将会减小，所以这个差值也可能出现负的情况。

一场街头争霸比赛中Dhalsim（一个游戏角色）得到的回报

创造人工智能的人工智能

以上是Gyroscope团队讨论的最终在比赛中采用的问题构建方法。同时Gyroscope团队也调整了AI系统的参数，因为Gyroscope的自主AI是一个算法的算法，它可以找到每个问题适用的算法，而有了这么多关于“街头霸王”问题的信息之后，Gyroscope选择深度Q网络 (Deep Q-network, DQN)作为强化学习方法，同时也对DQN进行了一些修改。

值得一提的是基于图像观察空间缺失的修改：DQN使用模型来预测哪些行动最佳，而不是用穷举法测试每个可能的行动。毕竟考虑到观察空间的大小，探索每个可能的行动几乎是不可能的。

模拟器连接

在训练人工智能之前，需要先把它与街头霸王连接起来，因为没有超级任天堂的SDK，Gyroscope团队在某个社区找到了一款连接经典游戏机的工具，可以帮助他们测试超级任天堂的游戏，从而使用AI技术来玩这些游戏。

为了使AI连接到游戏，不仅需要模拟器，还需要支持模拟器核心的工具。Gyroscope团队找到了BizHawk，它可以支持多种模拟器核心，包括超级任天堂的核心。

BizHawk可以提供的重要功能：

• 一个Lua语言脚本界面，以便于逐帧控制游戏;

• 一套控制台内存检查工具，以便检查游戏内存（全部或特定地址）;

• 运行中可以不受速度限制，也不需要显示，从而最大化游戏的帧率;

• BizHawk源代码。

特别对于“街头霸王”而言，Lua界面允许我们发送手柄按键信号，读取按下按钮信号，读取存储位置以及控制核心模拟器。内存检测器可以让我们获取对手的血条情况、对手的动作以及其他观察数据。

为了提高速度，Gyroscope团队还将SDK代码从Lua转移到本地BizHawk工具，同时保留了之前写的python代码，他们把这些代码命名为模拟器控制器。而为了能更好的控制游戏和模拟器的方方面面，Gyroscope团队还做了一个使用C#操作街霸的工具。

综合起来：训练AI

训练初期，AI（图中Dhalsim）随机按下按钮

定义好观察结果、动作、奖励值，再将AI连接到超级任天堂，就可以开始训练它了。针对内置的游戏机器人，每个角色大约训练8小时或者3000场比赛。

Gyroscope团队希望训练好的AI将:

（1）最大限度地提高奖励值，

（2）可以在训练结束后拥有相当高的胜率。

训练了3000场比赛后，Dhalsim积极进取，胜率50%

经过了观察空间、动作空间、奖励值函数和DQN参数的许多变体，最终得到了一个高胜率的AI。

训练期间的胜率和模型损失

除了标准模型调优技术和良好的科学原则（一次只改变一个量），Gyroscope团队还有了一个重大发现：方向控制按压与按钮控制按压的权重不同。方向控制只对一帧有效，在游戏中影响很小；然而按钮控制一旦按下，作用会维持一系列帧，在游戏中影响重大。比如完成拳击这一动作需要很多帧。这意味着在一帧内采取的动作会延续很多帧。

此外，虽然与方向控制按压相比，按钮按压非常重要，但相应地也需要更加频繁的按压才能起作用。为了完成这一游戏行为，也为了使AI行为更加人性化，他们让AI在20帧（即1/3秒）内一直重复按钮按压，完后再采取下一个动作。换句话说，他们让AI以1/3秒游戏时间为单位来采取动作、观察结果，而不是以每帧为单位。

至于Gyroscope团队为什么不用“获胜”作为奖励值。简单来说，这样做奖励值是延迟的，会导致训练更困难更耗时。

Gyroscope获胜！

80％胜率；注意AI机智地拦截对方招数，还会潇洒地走位

刚开始训练的时候，AI随机行动，对战3星级对手（街霸采用星级评价体系）的胜率是20%。所以，20％胜率是底线，超过20%才能说明AI取得了成效。最后， AI对抗游戏内置3星级机器人的胜率达到90％！针对比赛，取得80％胜率后Gyroscope团队就停止了训练，以避免过拟合。

AI获胜后，Gyroscope团队开始用街霸II的每个角色训练它。为了训练每个角色，他们使用Google云端平台，写了一些脚本进行全部的训练，训练需要通过一些脚本来自动完成玩家选择、游戏重置、模型记录、进度绘制等功能。

会场上：战斗吧！

SDC上Gyroscope团队的展位

会场上，Gyroscope团队布置了展位来展示四场AI战斗，场场都是两个AI控制的角色对抗。他们还画了比赛树状图——安排展位没展示到的角色参加比赛。

第一天的比赛：M.Bison碾压全场

四分之一决赛

Guile对战Vega：Guile被吊打。Vega AI很快就学会了缩短距离，弯腰躲闪，刺向对方，并且还学会了神奇的走位，Vega胜出。

Blanka对战M.Bison：M.Bison实力碾压。他的独门攻击几乎无法阻挡，就这样M.Bison胜出。

Chun-Li对战Sagat：Chun-Li也是近距离作战——她的速度和近地攻击打败了Sagat的长距离袭击和频繁的走位。Chun-Li胜出。

Balrog对战Dhalsim：十分有趣的是，Dhalsim几乎一直在空中，用他的长腿攻击Balrog。Dhalsim胜出。

半决赛

Vega对战M.Bison：M.Bison的攻击太猛烈了。M.Bison进入决赛。

Chun-Li对战Dhalsim：Dhalsim在空中发起的进攻杀伤力非常大，轻松击败Chun-Li。

决赛

M.Bison对战Dhalsim：由于M.Bison角色太过强大以至于无可匹敌，M.Bison轻松获胜！

第二天的比赛：E.Honda搅动风云

宣布E.Honda对战Blanka

第二天，重新开始比赛，M.Bison从比赛中除名，因为它在夜里私自使用兴奋剂（作弊代码）而被捕，Gyroscope团队准备让E.Honda加入，原因是它在测试时表现很差。

这天的战斗格外引人注目，Vega对抗Sagat打了一场持久战，Vega靠近Sagat时，用神奇的走位至少躲过了三次Sagat的技能，一次是越过火球，两次是拿准时间弯腰躲闪，但很遗憾的是，Vega依然输掉了。

决赛是E.Honda对抗Sagat，当战斗到最后的时刻，两个人物的血量都已经接近0了，但E.Honda出其不意的一击，使其获得了胜利。

Gyroscope团队对E.Honda获得胜利感到不可思议，他们认为E.Honda的运气真的很好，因为他们又重新进行了100场E.Honda对战Sagat的比赛，E.Honda只赢了11场而已。