萧箫 发自 凹非寺
量子位 报道 | 公众号 QbitAI
一记漂亮的长传，直接助攻射门：
带球连过两人：
这样高超的线上足球技巧，并非上手两三年的“老玩家”做出的，而是仅仅练习了一个月的腾讯AI“绝悟”。
现在，战胜大部分荣耀玩家后，AI“绝悟”又化名WeKick，去试手了一把谷歌举办的线上世界足球赛。
没想到，轻轻松松就拿了个冠军回来：
嗯？打完王者，还能踢FIFA？
没错，利用迁移学习，就能让“足球版绝悟”WeKick，快速掌握踢足球的技巧。
但要想踢出多种策略、稳定掌握这些策略，还得采用不同的方法。
各种风格小模型，共同训练主模型
从“绝悟”完全体迁移过来的WeKick，针对这场足球比赛，进行了策略性的调整。
与常规足球游戏的“控制整只球队”不同，这场足球比赛中，每个队伍需要控制其中1个智能体，与游戏中的10个内置智能体组成球队（11vs11赛制）。
也就是说，每个智能体“球员”，都需要学习如何在队友之间传球，并克服对手的防守以进球。
然而采用强化学习，从0开始训练一个会踢球的AI，相当困难。
在王者荣耀等MOBA游戏中，智能体可以学习的信号非常多，包括实时经济、血量、经验等。
但足球游戏的激励非常稀疏，几乎只有“进球”这一项奖励机制。
稀疏激励，正是强化学习的难题之一。
为了突破这一难关，“绝悟”WeKick版本采用了3点创新，来对模型进行训练。
首先，是自博弈（Self-Play）强化学习。
WeKick部署了一种异步分布式强化学习框架，虽然会牺牲训练时的部分实时性能，但能够提升其灵活性，支持在训练过程中按需调整计算资源。
此外，WeKick还结合生成对抗模拟学习（GAIL）与人工设计奖励，采用了生成对抗训练机制。
这种机制能够模拟专家行为的状态和动作分布，使得WeKick能够从其他球队中学习经验。
之后，将GAIL训练的模型作为固定对手，再一次进行自博弈训练，就能提升策略的稳健性。
这种方法虽然不错，却存在一个缺陷。
训练后，模型容易收敛成单一风格，容易发生因“没见过某种打法”而表现失常、导致成绩不佳的情况。
因此，WeKick的团队想出了一种方法：采用多风格强化学习的训练方案，让智能体“球员”们先专精一个领域，再进行配合。
也就是说，先训练一群具备一定竞技能力的基础模型，每个模型分别掌握运球过人、传球配合、射门得分……
然后，基于基础模型，训练出多种风格的各个模型，过程中会定期加入主模型作为选手，避免模型坚持原来的风格。
最后，将这些模型集合起来，训练一个主模型，期间除了主模型以历史模型为对手，还会拿所有风格化基础模型当对手，确保主模型能应对各种风格的踢球方式。
通过这3种方式训练出来的模型WeKick，既具有丰富的足球经验，也能准确地对抗各种不同风格的比赛技巧。