.jpg)
近期不少网友都在问：星际争霸2战役破解教程(星际争霸2战役破解)，小编也是查阅很多资料，整理了一些相关方面的答案，大家可以参考一下，在整个《终局策略》系列中，我们会讨论许多《星际争霸II》玩家为了长期的宏观游戏胜利而可以使用的不同策略。
有时候你会发现自己陷入了明显的僵局。你可能会遇到一个喜欢退守在自己防线后方的对手，他们会不断击退你的进攻部队，直到自己取得优势。这种战术我们通常称之为“龟缩”，如果你对于战术的把握不够坚决，那么想要破解敌人的防守就会变得非常困难。
“如果你们已经各自占据了地图的一半，那么情况可能会有点麻烦，因为你让你的对手运营得太顺了，”他说道，“派一些侦查单位去看一看对手可能开出的分矿，了解敌人开矿的动向，这会是个很好的办法——龟缩玩家只有在扩张的时候才会露出为数不多的漏洞。”
Maynarde说，如果你的侦查无法达到效果，而你在地图各占一半的情况下进攻也无法奏效，那么施法单位和他们的技能所能造成的干扰也许会是你最有价值的工具。
“如果你们已经到了各占一半的局面，你需要依靠施法单位和静态防御来完成作战。到了这个时候，游戏应该会延续较长时间——因此(施法单位的)能量应该也能累积起来。如果能用能量来打出伤害，那么这很有可能就是你取得胜利的关键，”他说道，“如果你使用异虫或者人类，在面对敌方有大量空军的情况下，你应该尽量建造孢子爬虫和防空塔，使敌人无法有效地交换单位。”
在地图被分割成两半以后，想要赢得一场长期的拉锯战，最关键的一点就是迫使对手比你使用更多的资源。Maynarde认为，这样最终就能带你走向胜利。
“这就是《星际争霸》的核心：进行高效率的资源交换。如果地图被分割，也就意味着敌人的分矿和你的一样多，所以你必须在交换中占据上风。”他说，“你可以接受低效率交换的情况只有一种，那就是在你的分矿比敌人更多的时候，所以我建议你要比龟缩的对手更快地扩张。”
特别感谢Maynarde为我们带来的关于这个话题的知识和见解。
囧王者又来讲星际争霸系列了，这次应邀来给萌新玩家们，讲一讲从零入坑星际争霸2之路，也好让大家少走一点弯路，不别人虐得太惨。
《星际争霸》这个IP是上世纪1998年，由暴雪公司制作并发行上市的一款RTS（即时战略）游戏。本作一出，特别是其后的资料片《星际争霸：母巢之战》出现后，直接推动了电子竞技游戏的发展。在星际争霸面世之前，电子竞技还只是停留在纸面上的一个概念而已。但是星际争霸这款平衡性和竞技性俱佳的游戏一出现，就直接让电子竞技这个概念成为了现实。
同时韩国在推动星际争霸电竞化的道路上，也是出了大力气的，韩国不仅将星际争霸定位为国技。甚至在星际争霸电子竞技联赛上，出现了首位全民偶像Slayer Boxer（林耀涣），他自己组建的一支战队，后期被韩国电信收购之后，演变成为了如今在《英雄联盟》圈大名鼎鼎的SKT T1战队。这个男人是Faker见了，也要称呼为大哥的男人。
其次我们来了解一下《星际争霸》这个游戏的类型。不同于现在大热的MOBA类游戏Dota，英雄联盟和王者荣耀，也不同于吃鸡类求生游戏绝地求生和和平精英。星际争霸是一款RTS游戏，也就是硬核玩家口中的即时战略游戏。RTS游戏与MOBA，吃鸡类游戏最大的不同在于：操控，平衡，经济和战术套路上面。相对于其他游戏来说，星际争霸要复杂得多。
第三，我们来了解一下，相对于MOBA和吃鸡游戏来说，是多么的硬核吧。
• 从操控上来说。其他游戏无论是MOBA还是吃鸡，都只要操控一个角色，并注意补刀，搜刮物资，做出合理的出装应对，注意释放技能和CD即可。而星际争霸就复杂太多了，在这款游戏中，你不再是操控一个角色，而是操控高达200个人口的作战单位；各个单位还有相应的前置条件和升级步骤；大多数单位还有各自的技能和克制关系；单位与单位之间，还分地面，地下，空中和隐形单位之分。因此从操控上来说，星际争霸要远比MOBA和吃鸡游戏复杂得多。
• 从职业选手的手速要求来说。囧王者英雄联盟的段位不高，最高铂金常年混迹于黄金段位。但星际争霸一代还可以吹一下，曾经的CPGL全国前十。在我看来，Dota和英雄联盟对于手速的要求，要远低于星际争霸。从上图来看，是不是有点眼花缭乱的感觉？可我要告诉大家的是，这只是星际争霸职业选手的基本操作而已，他只是在分配农民采矿。如果到了中后期，星际争霸玩家不仅要对作战单位编队，还要对建筑物编队，甚至还要对屏幕区域编队。因此对于星际争霸来说，APM100的手速只是开始，天梯高阶玩家的手速一般稳定在200 ，职业选手大多稳定在200~300。怎么样，硬核吧？
• 战术套路多，没有万精油战术，只有万精油玩家。在星际争霸圈子里面，曾经流传着这么一句话。学习玩星际争霸，在两个小时内你能死在迥异的战术上八次，而自己毫无还手之力。坦率地说，这种说法丝毫不夸张，甚至还略有保留。要知道囧王者上面讲了，星际争霸有高达200个人口的作战单位，大多数单位又各自有技能，甚至连作战还要分三个空间层次。这些因素综合到一块，你能想象可以衍生出多少战术吗？曾经的虫族6DRush，人族8BB，神族隐刀等经典战术笑傲一时，可也被玩家找了破解的方法和思路。只有不断的学习和改进，方能在PVP中更胜一筹。
正因为《星际争霸》系列是如此的硬核和平衡，在电竞圈才有这么一句话：星际争霸是“上帝借暴雪之手，赐予人类的神作”。
文归正传。我们来具体讲一讲，萌新玩家从零开始入坑《星际争霸2》需要注意的事项吧。
虽然暴雪将一部完整的《星际争霸2》给分解成了三部曲：人族的《自由之翼》，虫族的《虫群之心》和神族的《虚空之遗》，外加一部DLC《诺娃的隐秘行动》。但是现在第一部人族的《自由之翼》篇已经全免费了。对于想体验《星际争霸2》魅力的萌新玩家来说，既可以免费体验游戏中大部分经典内容和合作模式，又不用背上玩D版的罪名，这一点暴雪整挺好的。
• 萌新玩家优先玩战役剧情，合作模式与PVE模式，轻易不要尝试PVP模式。相对于《星际争霸一代》的老玩家来说，星际争霸二代已经是一款“简化版”的游戏了，其硬核程度远逊于一代。不同于弱剧情的MOBA游戏和完全没有剧情的吃鸡游戏，RTS游戏大多有着完整的宇宙观和剧情设定。首先从战役模式开始入坑，有助于玩家体验到完整的剧情，有助于玩家了解剧情人物关系和种族矛盾。而萌新玩家如果能不借助高科技和秘籍通关剧情模式的话，再循序渐进的接触PVE模式和合作模式的话，不仅可以进一步帮助大家熟悉套路和训练手速，还可以帮助大家增强PVP信心。再次提醒一次，囧王者强烈不建议萌新玩家，一上手就去打PVP模式，除非你们想自虐和被官方劝退。
• 玩PVE模式之前，先给自己一个心理暗示“我是新人，输几次没关系”。由于星际争霸已经是一个拥有成熟电竞体系的硬核游戏。因此在战网BN（BattleNet）上，充斥着大量的高玩和职业选手。萌新玩家在体验完战役模式，打赢了几家电脑之后，囧王者建议可以尝试着打打PVP模式。但是在打PVP之前，萌新玩家一定要先给自己一个心理暗示“我是新人，输几次没关系，不要放弃”。以前囧王者在打星际争霸的时候，网络上流行这么几句话，我现在也送给萌新玩家们“学习星际，当你能打赢七家电的时候，你还纳闷怎么还打不过真人；学习星际，两个小时你能死在迥异的战术上八次，并毫无还手之力；学习星际，熟练了几种套路和战术之后，你还是会被随机应变的对手牵着鼻子走；学习星际，你会发现APM150的时候，才能勉强用用神族”。
因此，对于星际争霸二代，囧王者的建议就是多玩多练习，不到最后一刻坚决不放弃，才能玩好星际争霸。不要学著名星际争霸毒奶黄旭东“飞龙骑脸怎么输”，就行了。囧王者最后给予想入坑《星际争霸二》的萌新玩家一点建议：等大家熟悉了《星际争霸2》的操作之后，再去体验一下《星际争霸1》吧。这样你们才真的知道什么叫做真.硬核游戏，什么叫做萌新玩家劝退游戏，什么叫“上帝借暴雪之手，赐予人类的神作”。
今天，DeepMind 有关 AlphaStar 的论文发表在了最新一期《Nature》杂志上，这是人工智能算法 AlphaStar 的最新研究进展，展示了 AI 在「没有任何游戏限制的情况下」已经达到星际争霸 2 人类对战天梯的顶级水平，在 Battle.net 上的排名已超越 99.8％的活跃玩家，相关的录像资料也已放出。
虽然还是打不过世界第一人类选手 Serral，但 AlphaStar 已经登上了 Nature。在 DeepMind 的最新博客中，研究者们对于这一 AI 算法的学习能力进行了详细介绍。
在游戏中，压榨（Exploiter）智能体（红色）发现了一种「Tower Rush」策略，从而打败了核心智能体（蓝色）。
随着训练的进行，新的核心智能体（绿色）已经学会拖农民和其他单位来对抗压榨智能体（红色）的「Tower Rush」。
与此同时，新的核心智能体（绿色）通过优势经济、单位配合和控制击败了早期核心智能体（蓝色）。
新的压榨智能体（棕色）发现了新核心智能体不会反隐的弱点，并通过建造隐刀成功击败了它。
在今年夏天线上和线下的一系列比赛中，AlphaStar 暂时没像前辈 AlphaGo 那样一举击败「人类界最强选手」，但仍然在与全球顶级玩家的 90 场比赛中取得了 61 场胜利。
基于在游戏对战上的表现，谷歌旗下公司在星际争霸 2 上的研究或许可以在数字助理、自动驾驶，乃至军事战略为人类带来帮助。
星际争霸 2 是人类游戏史上最困难、最成功的即时战略游戏，这一系列游戏的历史已经超过 20 年。星际争霸长盛不衰的部分原因在于其丰富的多层次游戏机制，对于人工智能研究来说，这是一个非常接近现实世界的虚拟环境。
自从围棋、国际象棋、德州扑克相继被计算机破解以来，星际争霸被视为人工智能的「下一个重大挑战」。
星际争霸 2 巨大的操作空间和非完美信息给构建 AlphaStar 的过程带来了巨大挑战。与围棋不同，星际争霸 2 有着数百支不同的对抗方，而且他们同时、实时移动，而不是以有序、回合制的方式移动。国际象棋棋子符合规则的步数有限，但 AlphaStar 每时每刻都有超过 1026 种动作选择，即操作空间非常巨大。而且，与围棋等完美信息游戏不同，星际争霸 2 是非完美信息游戏，玩家经常无法看到对手的行动，因此也无法预测对手的行为。
2017 年，DeepMind 宣布开始研究能进行即时战略游戏星际争霸 2 的人工智能——AlphaStar。事实上，根据 DeepMind 博客提供的信息，DeepMind 对星际争霸的研究已经超过 15 年。也就是说，对整个星际争霸游戏智能体的研究早在 2004 年之前就开始。
2018 年 12 月 10 日，AlphaStar 击败了 DeepMind 公司里的最强玩家 Dani Yogatama；到了 12 月 12 日，AlphaStar 已经可以 5:0 击败职业玩家 TLO 了（TLO 是虫族玩家，据游戏解说们认为，其在游戏中的表现大概能有 5000 分水平）；又过了一个星期，12 月 19 日，AlphaStar 同样以 5:0 的比分击败了职业玩家 MaNa。
至此，AlphaStar 又往前走了一步，达到了主流电子竞技游戏顶级水准。
• AlphaStar 有着和人类玩家一样的摄像头视野限制（即机器也看不到视野外发生的情况），而且机器动作频率也被限制住了。
• AlphaStar 能够玩一对一匹配中的三个种族了（即星际争霸中的人族、神族和虫族），而且每个种族的时候都会有一套对应的神经网络。
• 整个训练过程是完全自动化的，智能体从监督学习开始训练，而不是从过去实验过的智能体开始。
• AlphaStar 在 Battle.net 对战平台上进行了游戏，使用的是和人类玩家一样的地图。
DeepMind 使用通用机器学习技术（包括神经网络、借助于强化学习的自我博弈、多智能体学习和模仿学习）直接从游戏数据中学习。据《Nature》论文中描述，AlphaStar 在 Battle.net 上的排名已超越 99.8％的活跃玩家，并且在星际争霸 2 的三场比赛（神族、人族和虫族）中都达到了大师级水平。研究者希望这些方法可以应用于诸多其他领域。
基于学习的系统和自我博弈显著促进了人工智能的显著进步。1992 年，IBM 的研究人员开发出了 TD-Gammon，结合基于学习的系统与神经网络玩西洋双陆棋（backgammon）。TD-Gammon 不是根据硬编码规则或启发法来玩游戏，而是在设计上使用强化学习并反复试验，找出如何获得最大化胜率。开发人员利用自玩对弈的概念使得系统的鲁棒性更强：即通过与自身版本进行对抗，系统变得越来越精通游戏。当结合起来时，基于学习的系统和自我博弈的概念提供了开放式学习的强大范式。
从那以后，诸多进展表明，这些方法可以扩展到其他挑战日益增多的领域。例如，AlphaGo 和 AlphaZero 证实了系统可以在围棋、国际象棋和日本将棋等游戏中，展现人类所不能及的能力。OpenAI Five 和 DeepMind 的 FTW 也在 Dota 2 和《雷神之锤 III》现代游戏中展现了自我博弈的强大性能。
DeepMind 的研究者潜心于开放式学习的潜力及局限性研究，开发出既鲁棒又灵活的智能体，从而可以应对复杂的现实世界环境。星际争霸之类的游戏是推进这些方法的绝佳训练场，因为玩家必须使用有限的信息来做出灵活有难度的决策。
Deepmind 发现，AlphaStar 的游戏方式令人印象深刻——这个系统非常擅长评估自身的战略地位，并且准确地知道什么时候接近对手、什么时候远离。虽然 AlphaStar 已经具备了出色的控制力，但它还没有表现出超人类的能力，至少没有到那种人类理论无法企及的高度——总体来说还是公平的，与它对战的感觉就像平时星际争霸真实对战的场景。
即使取得了成功，自我博弈会存在缺陷：能力确实会不断提升，但它也会忘记如何战胜之前的自己。这可能会造成「追尾」（像小狗那样自己追着自己的尾巴），从而失去了真正的提升机会。
比如说，在石头剪刀布的游戏中，一个人可能更喜欢出石头，在游戏玩法提升过程中，它会变成爱出剪刀，后来又变成了爱出石头。进入与所有游戏策略的对战是解决虚拟自我博弈此前存在问题的途径。
在首次将 StarCraft II 开源后，Deepmind 发现虚构的自我博弈不足以训练出强大的战术，于是他们尝试开发更优的解决方案。
在最近这期《Nature》杂志中，Deepmind 文章的中心思想是将这种虚构的自我博弈扩展到一组智能体，即「联盟」。通常，在自我博弈中，想在星际争霸游戏中取得更好成绩的玩家可以选择与朋友合作战斗，来训练特定的策略，因此他们所面对的竞争对手并不包括这个游戏中所有的玩家，而是帮助他们的朋友暴露问题，使其成为更好更鲁棒的玩家。
联盟这一概念的核心思想是：仅仅只是为了赢是不够的。相反，实验需要主要的智能体能够打赢所有玩家，而「压榨（exploiter）」智能体的主要目的是帮助核心智能体暴露问题，从而变得更加强大。这不需要这些智能体去提高它们的胜率。通过使用这样的训练方法，整个智能体联盟在一个端到端的、完全自动化的体系中学到了星际争霸 2 中所有的复杂策略。
（前排）玩家可以创建各种「单位」（如工人、战士或运输者）来部署不同的战略移动。得益于模仿学习，DeepMind 的初始智能体可以执行多种策略，在这里描述为游戏中创建的单位组成（在此示例中：虚空舰、追踪者和不朽者）。但是，由于某些策略更易于改进，因此单纯的强化学习主要集中于它们。其他策略可能需要更多的学习经验或者具有一些特殊的细微差别，使得智能体更加难以完善。这就会造成一个恶性循环，其中一些有效策略的效果越来越差，因为智能体放弃了它们而选择了占主导地位的策略。（底部行）研究者在联盟中添加了一些智能体，这些联盟的唯一目的是暴露核心智能体的弱点。这意味着需要发现和开发更多有效的策略，从而使核心智能体对敌方产生更多的抵抗。在同一时间，研究者采用了模仿学习技术（包括蒸馏法），以防止 Alphastar 完全摆脱训练，并使用隐变量来表征多样化的开局行动。
在星际争霸等复杂的环境中，探索是另一项关键挑战。每个智能体在每个时间步中最多可以使用 1026 个可能的动作，并且在了解自己赢得或输掉比赛之前，该智能体必须先进行数千次动作。在如此庞大的解决空间（solution space）中，寻找制胜策略是一项挑战。即使拥有强大的自我博弈系统以及由压榨智能体组成的多样化联盟，但如果没有一些先验知识，系统在如此复杂的环境中也几乎不可能制定出成功的策略。
因此，学习人类玩家的策略并确保智能体在自我博弈中不断探索这些策略，这是释放 AlphaStar 效能的关键。为此，借助于模仿学习并结合了用于语言建模的高级神经网络架构和技术，研究者制定了最初的策略，使游戏结果优于 84％的活跃玩家。此外，研究者还使用了一个隐变量，该变量确定了策略并对人类游戏的开局行动分布进行编码，这有助于保留高级策略。然后，AlphaStar 在整个自我博弈中使用一种蒸馏形式（form of distillation），将探索偏向于人类策略。这种方法使得 AlphaStar 可以在单个神经网络中（每个族群各一个）表征许多策略。在评估过程中，这种神经网络不以任何特定的开局行动为条件。
AlphaStar 是一个不同寻常的玩家，其具有最佳玩家的反应能力和速度，还有其战略和风格是完全独有的。AlphaStar 的训练是通过一组智能体在联盟相互竞争，压榨出所有可能的结果，使得游戏结果变得难以想象般的不同寻常。这无疑使人想要思考星际争霸中有多少可能性是职业玩家已经探索过的。
另外，研究者还发现许多之前强化学习学到的方法是无效的，因为这些方法的动作空间太大。特别的是，AlphaStar 使用了异步强化学习（off-policy reinforcement learning），使其可以高效地更新自己之前的策略。
在测试 AlphaStar 的过程中，DeepMind 的研究者对其进行了限制，使其和人类玩家保持一致。特别是在操作速率上，为了避免智能体为了多获得奖励而像超人一样过快点击从而打败对手，DeepMind 将其控制在有经验的玩家水平上。
基于这些限制，经过了 27 天的训练后，DeepMind 与暴雪在战网天梯中开放了 AlphaStar：玩家只要进行申请并通过就可以和这个最强 AI 进行在线对决了。而且现在，AlphaStar 已经可以使用全部三个种族。在开放对战环境中，AlphaStar 在欧洲服务器上排名 top0.5%。
尽管 AlphaStar 已经取得了不错的成绩，但是它并没有完全打败顶尖水平的人类玩家。此外，仍有一些 AlphaStar 在训练过程中没有暴露出来的弱点，这些都是需要继续改进的。
今年 9 月，DeepMind 和暴雪放出了 AlphaStar 在天梯上与各路顶级玩家交手的视频，其中不乏当世排名前 10 的职业选手。
这可能是目前最为高端的「人机大战」了：AlphaStar vs Serral。
DeepMind 当然也碰上了目前星际争霸 2 最强的玩家，芬兰虫族选手 Serral。在这场 16 分钟的比赛里，Serral 和 AI 进行了正面的硬碰硬战斗。然而看起来在这种比赛里任何一方出现短板就会造成最终的失利。有评论表示：看起来 Serral 比 AlphaStar 更像是 AI。
尽管 DeepMind 表示，他们永远都不会让这项研究卷入军事领域，而且星际争霸 2 并不是一个现实战争的模拟，但谢菲尔德大学 AI 和机器人学教授 Noel Sharkey 表示，但（DeepMind 的）结果会引起军方的注意。今年 3 月份，美国政府发布的一份报告描述了 AI 如何丰富战争模拟以及帮助战争玩家评估不同战术的潜在后果。
「军事分析人士肯定会将 AlphaStar 实时战略的成功视为 AI 用于作战规划优势的一个明显例子。但这是一个极度危险的想法，可能会带来人道主义灾难。AlphaStar 从某个环境的大数据中学习战略，但来自叙利亚、也门等冲突地区的数据太少，无法使用。」Sharkey 表示。
「正如 DeepMind 在最近的一次联合国活动中所说的，这种方法对于武器控制来说将是非常危险的，因为这些举动无法预测并且可能以意想不到的方式发挥作用——这违反了管辖武装冲突的法律。」
今天，DeepMind 有关 AlphaStar 的论文发表在了最新一期《Nature》杂志上，这是人工智能算法 AlphaStar 的最新研究进展，展示了 AI 在「没有任何游戏限制的情况下」已经达到星际争霸 2 人类对战天梯的顶级水平，在 Battle.net 上的排名已超越 99.8％的活跃玩家，相关的录像资料也已放出。
虽然还是打不过世界第一人类选手 Serral，但 AlphaStar 已经登上了 Nature。在 DeepMind 的最新博客中，研究者们对于这一 AI 算法的学习能力进行了详细介绍。
在游戏中，压榨（Exploiter）智能体（红色）发现了一种「Tower Rush」策略，从而打败了核心智能体（蓝色）。
随着训练的进行，新的核心智能体（绿色）已经学会拖农民和其他单位来对抗压榨智能体（红色）的「Tower Rush」。
与此同时，新的核心智能体（绿色）通过优势经济、单位配合和控制击败了早期核心智能体（蓝色）。
新的压榨智能体（棕色）发现了新核心智能体不会反隐的弱点，并通过建造隐刀成功击败了它。
在今年夏天线上和线下的一系列比赛中，AlphaStar 暂时没像前辈 AlphaGo 那样一举击败「人类界最强选手」，但仍然在与全球顶级玩家的 90 场比赛中取得了 61 场胜利。
基于在游戏对战上的表现，谷歌旗下公司在星际争霸 2 上的研究或许可以在数字助理、自动驾驶，乃至军事战略为人类带来帮助。
星际争霸 2 是人类游戏史上最困难、最成功的即时战略游戏，这一系列游戏的历史已经超过 20 年。星际争霸长盛不衰的部分原因在于其丰富的多层次游戏机制，对于人工智能研究来说，这是一个非常接近现实世界的虚拟环境。
自从围棋、国际象棋、德州扑克相继被计算机破解以来，星际争霸被视为人工智能的「下一个重大挑战」。
星际争霸 2 巨大的操作空间和非完美信息给构建 AlphaStar 的过程带来了巨大挑战。与围棋不同，星际争霸 2 有着数百支不同的对抗方，而且他们同时、实时移动，而不是以有序、回合制的方式移动。国际象棋棋子符合规则的步数有限，但 AlphaStar 每时每刻都有超过 1026 种动作选择，即操作空间非常巨大。而且，与围棋等完美信息游戏不同，星际争霸 2 是非完美信息游戏，玩家经常无法看到对手的行动，因此也无法预测对手的行为。
2017 年，DeepMind 宣布开始研究能进行即时战略游戏星际争霸 2 的人工智能——AlphaStar。事实上，根据 DeepMind 博客提供的信息，DeepMind 对星际争霸的研究已经超过 15 年。也就是说，对整个星际争霸游戏智能体的研究早在 2004 年之前就开始。
2018 年 12 月 10 日，AlphaStar 击败了 DeepMind 公司里的最强玩家 Dani Yogatama；到了 12 月 12 日，AlphaStar 已经可以 5:0 击败职业玩家 TLO 了（TLO 是虫族玩家，据游戏解说们认为，其在游戏中的表现大概能有 5000 分水平）；又过了一个星期，12 月 19 日，AlphaStar 同样以 5:0 的比分击败了职业玩家 MaNa。
至此，AlphaStar 又往前走了一步，达到了主流电子竞技游戏顶级水准。
• AlphaStar 有着和人类玩家一样的摄像头视野限制（即机器也看不到视野外发生的情况），而且机器动作频率也被限制住了。
• AlphaStar 能够玩一对一匹配中的三个种族了（即星际争霸中的人族、神族和虫族），而且每个种族的时候都会有一套对应的神经网络。
• 整个训练过程是完全自动化的，智能体从监督学习开始训练，而不是从过去实验过的智能体开始。
• AlphaStar 在 Battle.net 对战平台上进行了游戏，使用的是和人类玩家一样的地图。
DeepMind 使用通用机器学习技术（包括神经网络、借助于强化学习的自我博弈、多智能体学习和模仿学习）直接从游戏数据中学习。据《Nature》论文中描述，AlphaStar 在 Battle.net 上的排名已超越 99.8％的活跃玩家，并且在星际争霸 2 的三场比赛（神族、人族和虫族）中都达到了大师级水平。研究者希望这些方法可以应用于诸多其他领域。
基于学习的系统和自我博弈显著促进了人工智能的显著进步。1992 年，IBM 的研究人员开发出了 TD-Gammon，结合基于学习的系统与神经网络玩西洋双陆棋（backgammon）。TD-Gammon 不是根据硬编码规则或启发法来玩游戏，而是在设计上使用强化学习并反复试验，找出如何获得最大化胜率。开发人员利用自玩对弈的概念使得系统的鲁棒性更强：即通过与自身版本进行对抗，系统变得越来越精通游戏。当结合起来时，基于学习的系统和自我博弈的概念提供了开放式学习的强大范式。
从那以后，诸多进展表明，这些方法可以扩展到其他挑战日益增多的领域。例如，AlphaGo 和 AlphaZero 证实了系统可以在围棋、国际象棋和日本将棋等游戏中，展现人类所不能及的能力。OpenAI Five 和 DeepMind 的 FTW 也在 Dota 2 和《雷神之锤 III》现代游戏中展现了自我博弈的强大性能。
DeepMind 的研究者潜心于开放式学习的潜力及局限性研究，开发出既鲁棒又灵活的智能体，从而可以应对复杂的现实世界环境。星际争霸之类的游戏是推进这些方法的绝佳训练场，因为玩家必须使用有限的信息来做出灵活有难度的决策。
Deepmind 发现，AlphaStar 的游戏方式令人印象深刻——这个系统非常擅长评估自身的战略地位，并且准确地知道什么时候接近对手、什么时候远离。虽然 AlphaStar 已经具备了出色的控制力，但它还没有表现出超人类的能力，至少没有到那种人类理论无法企及的高度——总体来说还是公平的，与它对战的感觉就像平时星际争霸真实对战的场景。
即使取得了成功，自我博弈会存在缺陷：能力确实会不断提升，但它也会忘记如何战胜之前的自己。这可能会造成「追尾」（像小狗那样自己追着自己的尾巴），从而失去了真正的提升机会。
比如说，在石头剪刀布的游戏中，一个人可能更喜欢出石头，在游戏玩法提升过程中，它会变成爱出剪刀，后来又变成了爱出石头。进入与所有游戏策略的对战是解决虚拟自我博弈此前存在问题的途径。
在首次将 StarCraft II 开源后，Deepmind 发现虚构的自我博弈不足以训练出强大的战术，于是他们尝试开发更优的解决方案。
在最近这期《Nature》杂志中，Deepmind 文章的中心思想是将这种虚构的自我博弈扩展到一组智能体，即「联盟」。通常，在自我博弈中，想在星际争霸游戏中取得更好成绩的玩家可以选择与朋友合作战斗，来训练特定的策略，因此他们所面对的竞争对手并不包括这个游戏中所有的玩家，而是帮助他们的朋友暴露问题，使其成为更好更鲁棒的玩家。
联盟这一概念的核心思想是：仅仅只是为了赢是不够的。相反，实验需要主要的智能体能够打赢所有玩家，而「压榨（exploiter）」智能体的主要目的是帮助核心智能体暴露问题，从而变得更加强大。这不需要这些智能体去提高它们的胜率。通过使用这样的训练方法，整个智能体联盟在一个端到端的、完全自动化的体系中学到了星际争霸 2 中所有的复杂策略。
（前排）玩家可以创建各种「单位」（如工人、战士或运输者）来部署不同的战略移动。得益于模仿学习，DeepMind 的初始智能体可以执行多种策略，在这里描述为游戏中创建的单位组成（在此示例中：虚空舰、追踪者和不朽者）。但是，由于某些策略更易于改进，因此单纯的强化学习主要集中于它们。其他策略可能需要更多的学习经验或者具有一些特殊的细微差别，使得智能体更加难以完善。这就会造成一个恶性循环，其中一些有效策略的效果越来越差，因为智能体放弃了它们而选择了占主导地位的策略。（底部行）研究者在联盟中添加了一些智能体，这些联盟的唯一目的是暴露核心智能体的弱点。这意味着需要发现和开发更多有效的策略，从而使核心智能体对敌方产生更多的抵抗。在同一时间，研究者采用了模仿学习技术（包括蒸馏法），以防止 Alphastar 完全摆脱训练，并使用隐变量来表征多样化的开局行动。
在星际争霸等复杂的环境中，探索是另一项关键挑战。每个智能体在每个时间步中最多可以使用 1026 个可能的动作，并且在了解自己赢得或输掉比赛之前，该智能体必须先进行数千次动作。在如此庞大的解决空间（solution space）中，寻找制胜策略是一项挑战。即使拥有强大的自我博弈系统以及由压榨智能体组成的多样化联盟，但如果没有一些先验知识，系统在如此复杂的环境中也几乎不可能制定出成功的策略。
因此，学习人类玩家的策略并确保智能体在自我博弈中不断探索这些策略，这是释放 AlphaStar 效能的关键。为此，借助于模仿学习并结合了用于语言建模的高级神经网络架构和技术，研究者制定了最初的策略，使游戏结果优于 84％的活跃玩家。此外，研究者还使用了一个隐变量，该变量确定了策略并对人类游戏的开局行动分布进行编码，这有助于保留高级策略。然后，AlphaStar 在整个自我博弈中使用一种蒸馏形式（form of distillation），将探索偏向于人类策略。这种方法使得 AlphaStar 可以在单个神经网络中（每个族群各一个）表征许多策略。在评估过程中，这种神经网络不以任何特定的开局行动为条件。
AlphaStar 是一个不同寻常的玩家，其具有最佳玩家的反应能力和速度，还有其战略和风格是完全独有的。AlphaStar 的训练是通过一组智能体在联盟相互竞争，压榨出所有可能的结果，使得游戏结果变得难以想象般的不同寻常。这无疑使人想要思考星际争霸中有多少可能性是职业玩家已经探索过的。
另外，研究者还发现许多之前强化学习学到的方法是无效的，因为这些方法的动作空间太大。特别的是，AlphaStar 使用了异步强化学习（off-policy reinforcement learning），使其可以高效地更新自己之前的策略。
在测试 AlphaStar 的过程中，DeepMind 的研究者对其进行了限制，使其和人类玩家保持一致。特别是在操作速率上，为了避免智能体为了多获得奖励而像超人一样过快点击从而打败对手，DeepMind 将其控制在有经验的玩家水平上。
基于这些限制，经过了 27 天的训练后，DeepMind 与暴雪在战网天梯中开放了 AlphaStar：玩家只要进行申请并通过就可以和这个最强 AI 进行在线对决了。而且现在，AlphaStar 已经可以使用全部三个种族。在开放对战环境中，AlphaStar 在欧洲服务器上排名 top0.5%。
尽管 AlphaStar 已经取得了不错的成绩，但是它并没有完全打败顶尖水平的人类玩家。此外，仍有一些 AlphaStar 在训练过程中没有暴露出来的弱点，这些都是需要继续改进的。
今年 9 月，DeepMind 和暴雪放出了 AlphaStar 在天梯上与各路顶级玩家交手的视频，其中不乏当世排名前 10 的职业选手。
这可能是目前最为高端的「人机大战」了：AlphaStar vs Serral。
DeepMind 当然也碰上了目前星际争霸 2 最强的玩家，芬兰虫族选手 Serral。在这场 16 分钟的比赛里，Serral 和 AI 进行了正面的硬碰硬战斗。然而看起来在这种比赛里任何一方出现短板就会造成最终的失利。有评论表示：看起来 Serral 比 AlphaStar 更像是 AI。
尽管 DeepMind 表示，他们永远都不会让这项研究卷入军事领域，而且星际争霸 2 并不是一个现实战争的模拟，但谢菲尔德大学 AI 和机器人学教授 Noel Sharkey 表示，但（DeepMind 的）结果会引起军方的注意。今年 3 月份，美国政府发布的一份报告描述了 AI 如何丰富战争模拟以及帮助战争玩家评估不同战术的潜在后果。
「军事分析人士肯定会将 AlphaStar 实时战略的成功视为 AI 用于作战规划优势的一个明显例子。但这是一个极度危险的想法，可能会带来人道主义灾难。AlphaStar 从某个环境的大数据中学习战略，但来自叙利亚、也门等冲突地区的数据太少，无法使用。」Sharkey 表示。
「正如 DeepMind 在最近的一次联合国活动中所说的，这种方法对于武器控制来说将是非常危险的，因为这些举动无法预测并且可能以意想不到的方式发挥作用——这违反了管辖武装冲突的法律。」
星际争霸2战役破解（手把手教你如何获取免费的星际争霸2）
【本文标题和网址】星际争霸2战役破解教程(星际争霸2战役破解) http://www.iplab.com.cn/flxs/157403.html
内容更新时间（UpDate）： 2023年05月06日 星期六