大模型玩《寶可夢》達(dá)人類水平！網(wǎng)友喊話世界冠軍：是時候一較高下了
對戰(zhàn)15年專業(yè)玩家勝率56%
西風(fēng) 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
基于大模型的Agent會玩寶可夢了，人類水平的那種！
名為PokéLLMon，現(xiàn)在它正在天梯對戰(zhàn)中與人類玩家一較高下：
PokéLLMon能靈活調(diào)整策略，一旦發(fā)現(xiàn)攻擊無效，立刻改變行動：
PokéLLMon還會運(yùn)用人類式的消耗戰(zhàn)術(shù)，頻繁給對方寶可夢下毒，并一邊恢復(fù)自身HP。
不過面對強(qiáng)敵，PokéLLMon也會“慌亂”逃避戰(zhàn)斗，連續(xù)切換寶可夢：
最終對戰(zhàn)結(jié)果是，PokéLLMon在隨機(jī)天梯賽中取得49%的勝率，與專業(yè)玩家的邀請賽中取得56%的勝率，游戲戰(zhàn)略和決策水平接近人類。
網(wǎng)友看到PokéLLMon的表現(xiàn)也很意外，直呼：
小心被任天堂封禁，這話是認(rèn)真的。
甚至有網(wǎng)友喊話寶可夢大滿貫選手、世錦賽冠軍Wolfey Glick，來和這個AI一較高下：
這究竟是如何做到的？
PokéLLMon大戰(zhàn)人類
PokéLLMon由佐治亞理工學(xué)院研究團(tuán)隊提出：
具體來說，他們提出了三個關(guān)鍵策略。
一是上下文強(qiáng)化學(xué)習(xí)（In-Context Reinforcement Learning）。
利用從對戰(zhàn)中即時獲得的文字反饋?zhàn)鳛橐环N新的“獎勵”輸入，不需要訓(xùn)練就可以在線迭代完善和調(diào)整PokéLLMon的決策生成策略。
其中反饋內(nèi)容包括：回合HP變化、攻擊效果、速度優(yōu)先級、招式額外效果等。
比如PokéLLMon反復(fù)使用相同的攻擊招式，但由于對方寶可夢具有“干燥皮膚”的能力，對其沒有任何效果。
在第三回合中對戰(zhàn)中，通過即時上下文強(qiáng)化學(xué)習(xí)，PokéLLMon隨后選擇更換寶可夢。
二是知識增強(qiáng)生成（Knowledge-Augmented Generation）。
通過檢索外部知識源作為額外輸入，融入到狀態(tài)描述中。比如檢索類型關(guān)系、招式數(shù)據(jù)，模擬人類查詢寶可夢圖鑒，來減少未知知識導(dǎo)致的“幻覺”問題。
由此一來，PokéLLMon可以準(zhǔn)確理解并應(yīng)用招式效果。
比如面對犀牛進(jìn)化形態(tài)的地面攻擊，PokéLLMon未選擇更換寶可夢，而是施展“電磁飄浮”，該技能在五回合內(nèi)成功抵御地面攻擊，使犀牛的“地震”技能無效。
三是一致性動作生成（Consistent Action Generation）。
研究人員發(fā)現(xiàn)，當(dāng)PokéLLMon面對強(qiáng)大對手時，思維鏈（CoT）的推理方式會導(dǎo)致它因“恐慌”而頻繁更換道具或?qū)毧蓧簟?/p>
△PokéLLMon害怕，不斷切換寶可夢
而通過一致性動作生成，可以獨(dú)立多次生成行動，投票出最一致的，從而緩解“恐慌”。
值得一提的是，研究人員所用的模型自主和人類作戰(zhàn)的寶可夢對戰(zhàn)環(huán)境，基于Pokemon Showdown和poke-env實(shí)現(xiàn)，目前已開源。
為了測試PokéLLMon的對戰(zhàn)能力，研究人員用它分別與隨機(jī)天梯賽玩家和一名擁有15年經(jīng)驗(yàn)的專業(yè)玩家對戰(zhàn)。
結(jié)果，PokéLLMon與天梯隨機(jī)玩家的勝率為48.57%，與專業(yè)玩家的邀請對戰(zhàn)勝率為56%。
總的來說，PokéLLMon的優(yōu)勢在于：能準(zhǔn)確選擇有效招式，統(tǒng)一使用一個寶可夢擊倒全部對手；展現(xiàn)出類人的消耗戰(zhàn)略，使對手中毒后再拖延回血。
不過研究人員也指出了PokéLLMon的不足之處，面對玩家的消耗戰(zhàn)略(拖延回血)很難應(yīng)對：
容易被玩家的迷惑戰(zhàn)術(shù)誤導(dǎo)（迅速切換寶可夢，巧妙使PokéLLMon浪費(fèi)強(qiáng)化攻擊機(jī)會）：
團(tuán)隊簡介
三位作者均為華人學(xué)者。
論文一作胡思昊，現(xiàn)為佐治亞理工學(xué)院計算機(jī)科學(xué)博士生，本科畢業(yè)于浙江大學(xué)，曾在新加坡國立大學(xué)擔(dān)任研究助理。
研究興趣包括用于區(qū)塊鏈安全和推薦系統(tǒng)的數(shù)據(jù)挖掘算法及系統(tǒng)。
作者Tiansheng Huang，同為佐治亞理工學(xué)院計算機(jī)科學(xué)博士生，華南理工大學(xué)校友。
研究興趣包括分布式機(jī)器學(xué)習(xí)、并行與分布式計算、優(yōu)化算法以及機(jī)器學(xué)習(xí)安全性。
導(dǎo)師劉玲，現(xiàn)為佐治亞理工學(xué)院計算機(jī)系教授。1982年畢業(yè)于中國人民大學(xué)，1993年于荷蘭蒂爾堡大學(xué)獲博士學(xué)位。
劉教授主導(dǎo)分布式數(shù)據(jù)密集系統(tǒng)實(shí)驗(yàn)室（DiSL）的研究工作，專注于大數(shù)據(jù)系統(tǒng)及其分析的多個方面，如性能、安全和隱私等。
同時她也是IEEE Fellow，2012年獲得IEEE計算機(jī)學(xué)會技術(shù)成就獎，還曾擔(dān)任多個IEEE和ACM大會主席。
參考鏈接：
[1]https://twitter.com/_akhaliq/status/1754337188014100876
[2]https://poke-llm-on.github.io/
相關(guān)閱讀
