推 BBSealion: APM 我認為會限制的,要挑戰這題目就是想挑戰智能極限 12/13 10:16
→ BBSealion: 而不是拿電腦本來就有的優勢來壓制人類,這樣就失去意 12/13 10:17
→ BBSealion: 義,頂多搏一波新聞,但DeepMind想做的絕對是從根本上 12/13 10:17
推 BBSealion: 的智能去贏過人類,這樣才有發下一篇Science的價值 12/13 10:20
推 buji: 地球棋盤很有意思 12/13 12:01
推 hit0123: apm老早說會刻意壓到跟人接近 12/13 12:11
推 indium111: 即使跟人類相同的apm,電腦在計算上遠超人類 12/13 13:54
→ indium111: 比如一隻大和艦面對一群機槍兵該在第幾秒撤退,人類 12/13 13:55
→ indium111: 算不出來,但電腦可掉很精細的神操作境界 12/13 13:56
→ indium111: 但如果要從0開始學起,星海這個大棋盤可比圍棋複雜多了 12/13 13:57
推 deerdriver: 說不定只是演算法不合啊 12/13 16:46
推 ilw4e: APM設限電腦也一定會優化成最有效的動作 12/13 22:46
推 ddavid: 就說APM會限制了還在APM輾壓XD 12/14 02:21
→ ddavid: 然後這篇對難度的分析不能說完全錯,但是忽略很重要的一點 12/14 02:21
→ ddavid: 在於卡牌跟星海都是屬於不完全資訊遊戲,這類遊戲在根本難 12/14 02:22
→ ddavid: 度就是比起完全資訊遊戲高,主要在於自我學習的不確定性 12/14 02:23
→ ddavid: 圍棋這種東西是有絕對正確解答的,一路下下去,到最後就是 12/14 02:24
→ ddavid: 每一手的資訊都很清楚可以完全重現 12/14 02:24
→ ddavid: 卡牌、星海就不一樣了,你在場上遇到完全同樣的局面,事實 12/14 02:25
→ ddavid: 上看不到的東西可能天差地遠,這就增加了學習上的困難 12/14 02:25
→ ddavid: 至於卡牌靠不靠賽,其實還是要看是哪一種卡牌,不同遊戲其 12/14 02:27
→ ddavid: 實靠賽程度差距很大。 12/14 02:27
→ ddavid: 而且卡牌遊戲本來就是一種「玩家盡可能打到最好,剩下才交 12/14 02:28
→ ddavid: 給機率」的一類遊戲(如同麻將、橋牌),頂級的玩家長久下 12/14 02:28
→ ddavid: 來勝率肯定是比一般玩家高的,只是不同的卡牌遊戲會決定這 12/14 02:29
→ ddavid: 個高低差距遠不遠,越靠賽的差距越小,技術成分越重的差距 12/14 02:30
→ ddavid: 越大。而且別忘了卡牌遊戲還有組套牌這個環節,光是賽場預 12/14 02:31
→ ddavid: 測跟套牌選擇、對應等等上場之前的準備就能讓高端職業玩家 12/14 02:31
→ ddavid: 跟一般玩家的勝率拉開不少。雖然AI研究應該還玩不到這個地 12/14 02:32
→ ddavid: 步就是XD 12/14 02:32
→ ddavid: 另外上面提到星海AI可以極度優化操作這部分,上一篇推文已 12/14 02:33
→ ddavid: 經說過了,早就有利用舊式AI概念做出來的完美操作AI。但之 12/14 02:33
→ ddavid: 所以說是舊式AI,就因為那是由人類直接告訴AI怎麼操作最好 12/14 02:34
→ ddavid: ,然後由AI去計算做到最完美所以達成的。從深度學習來做就 12/14 02:34
→ ddavid: 徹底不是這麼一回事了。 12/14 02:34
→ ddavid: 深度學習AI光是要自學出怎麼操作叫做好這回事就很困難,更 12/14 02:36
→ ddavid: 不用說前提是還得懂得生產兵種出來。你想做出完美的Marine 12/14 02:37
→ ddavid: 海無損打爆炸蟲群,前提也要是AI能學到正確的時間點會出到 12/14 02:38
→ ddavid: 足量的Marine研發好打針而且還能正確派到認為毒爆蟲會來的 12/14 02:40
→ ddavid: 地方。對人類看起來並不會很難理解的一套體系,深度學習要 12/14 02:40
→ ddavid: 從頭學下來可沒那麼容易──因為人腦學習這些東西其實也比 12/14 02:41
→ ddavid: 你想像中困難許多,只是人腦規格夠高且本來就相對擅長這種 12/14 02:42
→ ddavid: 不完全資訊下的推理。 12/14 02:42
推 alisha2224: apm會限制,但會失誤跟不會,還是有巨大差距的 12/14 10:02
推 butten986: 如果真的能在限制apm的情況下摸出戰術,拿到現實也行 12/15 11:16
推 ddavid: @alisha2224 你說的沒錯,但問題就是在星海這個劇本下,深 12/16 02:13
→ ddavid: 度學習要學到怎樣的操作是不是失誤難度蠻高的 12/16 02:14
→ ddavid: 之前一直提到的,他們連好好採礦開局都還學不起來,就是因 12/16 02:14
→ ddavid: 為怎麼樣的操作算是好這件事要自然由深度學習自己學到並不 12/16 02:16
→ ddavid: 容易 12/16 02:16
推 capita: 實務上球形棋盤是橫向循環並不理想 所以很難推廣 12/17 02:23
→ capita: 上下左右都無邊的循環棋盤 在拓撲結構上其實是環狀的棋盤 12/17 02:25
→ Minesweeper: 去年星海AI的進度,我看是很慘啦 12/18 02:08
→ clarkyoona: 好好笑喔這篇 02/13 11:52