世界上最難的“沙雕”游戲被AI攻破了
這款游戲的作者還開發(fā)過“掘地求升”
夢晨 曉查 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
13年以前，有這樣一款“變態(tài)”級難度的游戲曾風(fēng)靡一時。
它的名字簡單粗暴——QWOP。意思是讓玩家用這四個鍵位控制游戲人物的左右大腿和小腿，以最快的速度跑完100米。
實際上，大部分玩家剛上手的時候，可能連起點線都邁不過去就Game Over了。
如果你能跑出幾米遠(yuǎn)，絕對算是一個高手，甚至能在朋友面前炫耀一番。
QWOP的難點在于，一旦角色失去平衡就很難再挽回，需要在100米的距離內(nèi)一直保持重心不過于向前后傾斜。
當(dāng)你經(jīng)過苦練第一次跑起來時，又會被50米處作者故意設(shè)置的欄桿擺一道：說好的100米短跑怎么變跨欄了？
在那個4399小游戲盛行的年代，這款也被戲稱為“是男人就跑100米”。因為難度過于“變態(tài)”，QWOP開發(fā)者曾收到過很多辱罵郵件。
雖然絕大部分人難以跑到終點，但仍有一批骨灰級玩家樂此不疲，他們不僅能輕松跑完，至今還為競爭世界排名而不斷挑戰(zhàn)。
2個月前，一位日本玩家創(chuàng)造了新的世界紀(jì)錄：48.34秒。
看到這款“沙雕游戲”，你是不是會想到強化學(xué)習(xí)來訓(xùn)練雙足機器人的畫面？
一位來自波士頓咨詢的數(shù)據(jù)分析師Wesley Liao也是這么想的。
不過別以為“變態(tài)”難度的游戲到了AI面前就變成了毛毛雨。
Liao綜合了之前多種強化學(xué)習(xí)算法，最后甚至請來了“世界名師”教學(xué)，費了好大一番功夫，才終于讓AI在上周打破人類玩家的記錄。
可見這款游戲的難度一點都不比圍棋低啊。（手動狗頭）
小試牛刀
一開始，Liao使用OpenAI Gym強化學(xué)習(xí)環(huán)境來訓(xùn)練AI，先設(shè)定好游戲的狀態(tài)、操作和獎懲機制。
狀態(tài)包括每個身體部位和關(guān)節(jié)的位置、速度和角度。操作方式限定為11種：4個QWOP按鍵、6種兩兩按鍵組合以及不按任何鍵。
用來訓(xùn)練AI的算法是ACER（具有經(jīng)驗回放能力的Actor-Critic）。這種算法的優(yōu)點是，不僅可以從其最近獲得的經(jīng)驗中學(xué)習(xí)，也可以學(xué)習(xí)存儲數(shù)據(jù)中更早的經(jīng)驗。
由于ACER非常復(fù)雜，Liao使用了別人的實現(xiàn)代碼“Stable Baselines”。
Liao首先嘗試了讓AI自己學(xué)習(xí)。經(jīng)過多次實驗后，他發(fā)現(xiàn)AI只學(xué)會了“蹭膝蓋”這種方式跑過終點，速度很慢。
這和許多人類普通玩家以及其他強化學(xué)習(xí)算法是一樣的，離高手的水平還差很遠(yuǎn)，更不用談打破紀(jì)錄了。
仔細(xì)分析可以發(fā)現(xiàn)，AI根本沒有學(xué)習(xí)到跨步機制，只是學(xué)習(xí)到了最安全、最慢的方法來到達(dá)終點。
看來靠AI完全自學(xué)是不行了。
學(xué)會奔跑
類似于DeepMind用頂級棋手教AlphaGo下棋，Liao想到是不是也可以讓人類玩家來教一下AI。
但是Liao本人的技術(shù)和頂級玩家差距太大，自己最多也只能跑到28米。
這都不重要，重要的是起碼Liao跨出更大步伐的技巧，只能寄希望于AI能從“渣技術(shù)”里學(xué)到一點奔跑的技巧吧。
但是結(jié)果很不幸，AI很好地詮釋了“邯鄲學(xué)步”：不僅沒掌握跑步技巧，反而在起點就跌倒了。
然后Liao讓AI自己繼續(xù)訓(xùn)練。所謂師父領(lǐng)進門，修行在個人，AI能否將人類技術(shù)和自學(xué)能力結(jié)合起來？
結(jié)果令人興奮，經(jīng)過90個小時的訓(xùn)練，AI終于學(xué)會了像人一樣奔跑！
最終成績是1分25秒，已經(jīng)能跑進全球排行榜的前15名，離超過人類不遠(yuǎn)了。
接下來要做的就是再向AI教授更多技巧，奈何本人技術(shù)太渣。
所以要想進一步提高AI的水平，必須找頂級高手來幫忙。
頂級高手助陣
Liao觀察速通排行榜上的錄像，發(fā)現(xiàn)頂級玩家的技巧是把左腿抬高可以跑得更快。
他開始全球排名前二的玩家gunmaneko和Kurodo請教踢腿技巧的操作。
兩位玩家熱情地回答了他的問題。其中Kurodo指出這個技巧的關(guān)鍵在于減少游戲角色在縱向的移動，并提出把保持身體高度加入AI的獎勵函數(shù)。
Liao向Kurodo分享了他的代碼，Kurodo慷慨地使用代碼記錄了50次自己游戲時的按鍵記錄發(fā)給Liao。
Liao嘗試使用這些數(shù)據(jù)對AI進行預(yù)訓(xùn)練，但效果并不好。AI還沒來得及學(xué)會踢腿技巧，倒先把基本的跑步方法忘記了。
Liao不得不改變方法，他把Kurodo的數(shù)據(jù)注入到AI的回放緩存*（Replay Buffer）*中。這相當(dāng)于修改AI的記憶，使AI有一半的記憶是自己的，另一半來自Kurodo。
并且是AI每自己玩一次，就注入一次Kurodo的數(shù)據(jù)，保證AI隨機從記憶中選取一段來學(xué)習(xí)時選到兩種記憶的概率相同，避免在學(xué)習(xí)新技巧的過程中把基本操作忘掉。
AI使用Kurodo的數(shù)據(jù)訓(xùn)練了15個小時，終于學(xué)會了踢腿，但因為兩種記憶無法協(xié)調(diào)在一起，跑時間長了動作會不穩(wěn)定。
Liao此時把Kurodo的記憶移除，又讓AI自己訓(xùn)練了25小時，總訓(xùn)練時間達(dá)到了65小時。
最終AI的成績達(dá)到1分08秒，終于進入前十。
打破世界紀(jì)錄
Liao把教AI玩這個游戲的過程做成視頻發(fā)在網(wǎng)上。一個月前，外媒Gismodo問他：為什么AI還沒有打破世界紀(jì)錄？
于是Liao重新訓(xùn)練了一個只為優(yōu)化速度而存在的新AI。
新AI改用Prioritized DDQN算法，因為這種算法會給學(xué)習(xí)效率更高的狀態(tài)增加權(quán)重而不是均勻采樣，能使新AI迅速學(xué)會舊AI已經(jīng)掌握了的技巧。
并且，新AI的獎勵函數(shù)去掉了身體高度，膝蓋彎曲角度等參數(shù)，改成只和前進速度相關(guān)。
新AI先用已有數(shù)據(jù)進行只有幾分鐘的預(yù)訓(xùn)練，隨后是40小時的自訓(xùn)練。最終，新AI每秒所做的動作數(shù)在訓(xùn)練環(huán)境中由9提高到18，并在測試環(huán)境中達(dá)到25。
新AI對踢腿技巧的掌握非常穩(wěn)定，即使被障礙物影響也能迅速恢復(fù)。
快速高效的動作使AI的成績提高到47.34秒，比人類最高紀(jì)錄48.34秒剛好快1秒。
這才終于算是，在人工智能超越人類的游戲列表中又增加了一項。
One More Thing
你以為這就完了？
跑完100米不算完，這款游戲還有一種世界級難度——“是男人就跑完馬拉松”。
為Liao提供幫助的玩家Kurodo最近剛剛提交了世界紀(jì)錄，全球也只有兩人完成了這項壯舉。
很難想象他們在電腦前連續(xù)按幾個小時QWOP的畫面。
另外，QWOP的開發(fā)者Bennett Foddy一直在堅持開發(fā)這類“變態(tài)”難度的獨立小游戲。
有一款Getting Over It with Bennett Foddy名氣頗高，中文名“掘地求升”。玩法就是一個裝在壇子里的人不停用錘子讓自己升高。
Foddy曾經(jīng)在普林斯頓大學(xué)和牛津大學(xué)擔(dān)任博士后研究員，現(xiàn)在是一名獨立游戲設(shè)計師。QWOP就是他在普林斯頓大學(xué)時期開發(fā)的。
我只能說，學(xué)霸開發(fā)的游戲，學(xué)渣真的玩不起。
QWOP在線游戲地址：
http://www.foddy.net/Athletics.html
參考鏈接：
[1] https://github.com/Wesleyliao/QWOP-RL
[2] https://www.speedrun.com/qwop
[3] https://gizmodo.com/an-ai-was-taught-to-play-the-worlds-hardest-video-game-1846388137
[4] https://towardsdatascience.com/achieving-human-level-performance-in-qwop-using-reinforcement-learning-and-imitation-learning-81b0a9bbac96
[5] https://www.youtube.com/watch?v=82sTpO_EpEc
[6] https://wesleyliao.com/
相關(guān)閱讀
