2022N.GAME网易游戏开发者峰会于「4月18日-4月21日」举办，本届峰会围绕全新主题“未来已来 The Future is Now”，共设置创意趋势场、技术驱动场、艺术打磨场以及价值探索场四个场次，邀请了20位海内外重磅嘉宾共享行业研发经验、前沿研究成果和未来发展趋势。
今天的干货来自技术驱动场的嘉宾曾广俊，他是网易互娱AI Lab的技术主管。
以下是嘉宾分享实录：（部分删减与调整）
大家好。非常高兴来到N.GAME峰会跟大家分享一下强化学习在互娱游戏的落地。
互娱AI Lab成立于2017年底，主要是要将3D、CV、RL、NLP和语音技术落地到游戏当中，解决游戏的痛点问题。今天我们来讲一下强化学习是什么?强化学习可以在游戏里面做些什么？最后展望一下强化学习除了在游戏当中，还能在其他领域做出什么样的应用。
一、强化学习是什么？
假如现在我们要训练一条小狗做出坐下的这样一个动作，我们可能会做出一个指令让它去坐下。如果小狗做对了这个动作，我们就会给一个食物奖励它；如果它没做到那我们就不会给奖励。通过这样的反馈，多次的迭代，我们的小狗最终就会知道要做出坐下这个动作才能获得奖励。
同样，当我们的游戏接入了以后，我们会把当前的状态信息发送给AI，AI根据当前的一些状态去做出动作。由游戏反馈这个动作是否会有奖惩，AI得到反馈之后就会据此调整它的策略。
通过多轮的迭代，它就会知道在某个时刻应该要做什么样的动作才能获得最大的回报。由于我们需要和环境进行大量交互，所以强化实习通常需要很多的时间让机器去做探索，努力缩小探索空间、提高样本的利用率，来提高强化学习的训练效果是一个重要的方向。
二、强化学习可以在游戏里面做些什么？
游戏要接入强化学习时非常简单，只要实现两个接口，一个就是reset接口，一个就step接口。reset接口会从游戏里面返回初始状态；step接口就是从AI里面获取对应的动作。然后，游戏环境返回下一个状态的信息和一些回报的奖励信息，最后把这个游戏打包成动态库或者docker，就可以交给强化学习AI训练。
1、强化学习的主要应用：对战型AI
实际上，强化学习最主要的应用主要还是对战型AI。在互娱游戏中我们落地了NPC的对战AI。先以天下3山海绘为例，天下3山海绘是一个人机对战的卡牌游戏，玩家可以选多个难度，跟机器人进行对战。
策划需要在短时间内完成人机对战AI，这个AI要适应多种难度，且难度要能动态调整，以适应玩家的水平。
如果我们用行为树做山海绘的AI的话，是需要策划用很多的时间去列举每个状态的信息，然后根据状态的节点去做对应的动作，如果我们要做分级难度的话就更需要细致去划分，这样花费的时间将会更加巨大，上线之后每一次卡牌的更新，都需要策划去重新花费大量时间修改行为树去适应新的卡牌。
实际上，这浪费了很多的人力和时间。更关键的是，行为树的AI通常强度都是达不到通常玩家的水平。如果用强化学习去做的话，我们就可以很快速的去生成AI，尤其当新卡更新到新的游戏环境里面，强化学习可以很快速地适应一个新的环境，只需要重新再Finetune一下就可以了。
强化学习训练本身，是在做机器人的自对弈的行为。这样的一个过程中，自然而然地批量生成了大量不同难度的AI。这些AI可以无缝迁移，滿足玩家对于难度选择的需求。最关键的一点是用强化学习去做AI，它最后的强度能够远超玩家的水平。
我们的强化学习训练和一般的强化学习类似，都是主要由采样器，训练器来组成。采样器在CPU上面执行AI的决策，通过与游戏环境进行交互，生成大量的样本。这些样本又可以送到GPU上面的训练器上进行优化，优化出来的模型再放到模型池里面。
模型池可以让AI去选择对战的对手，通过迭代模型池的强度，当前训练的AI也会逐渐的变强。其中，模型池的模型也可以作为不同难度的AI模型让玩家选择。这个AI的难点主要是在动作空间上，刚才提到训练强化学习其实是试错的过程，如果我们可选的动作太多的话，我们需要去找到合适的动作就需要很长的时间。
比如我要出AABCCD这样的一个动作，它有好几张牌，我们第一张牌可能会有几十个选择，第二张牌同样也会有几十张选择。这么多卡牌的选择组合起来，树型的结构会使我们的动作空间成指数级增长。我们的解决方案是把单步决策变成序列决策。
也就是说，我们从游戏环境里面得到的状态，AI决策第一张牌应该要出什么，再把第一张出的牌和环境的状态再输进去AI，再做一次决策。第二张牌再以同样的模式，再输出到下一轮的决策里面。
最后，我们就可以输出一个持续的决策，AABCCD再统一返回到给我们的游戏环境中。这样就可以把一步的决策化为多步的决策，把游戏空间从指数级降到一个常数的级别。
我们对比一下强化学习跟行为树的AI。在加入新的卡牌之后，强化学习明显需要的时间会比行为树少很多。它相比于行为树，只有3-5个等级，具有的100多个难度等级也比较平滑。另外，它还可能会存在着比较大的难度跳跃。而强化学习，它能做到远高于玩家的水平，这是行为树不能做到的。
我们也挑战了更难的游戏，参加了NeurIPS举办的MineRL Diamond比赛,这个比赛已经举办第三届，每一次都吸引了大量工业界和学术界的强队参加。这个比赛的目的就是在MineCraft的环境中，从一开始用一把斧头开始采集木头资源，再通过木头资源去做下一步的工具，最后，要挖掘到钻石。这个比赛举办以来，基本上没有队伍能在这种环境里面从中挖到了钻石。比赛有很多方案，大多数队伍都选择了基于玩家数据去进行训练，如基于玩家数据进行模仿学习，或者在模仿学习组上再进行强化学习。
但官方提供的数据其实不多，玩家的水平也是参差不齐，其中也有很多无效的操作。我们也尝试过使用官方的数据集进行训练，实际上效果也并不好。那我们能不能直接用强化学习，从零开始训练呢？可以，但我们要解决几个难点。环境输出的是以图像信息为主的，由于图像信息，它是一个3x64x64的一个图片，它的信息维度是非常大的。要AI去遍历这么一个大空间的数据其实非常困难，因此，我们就采用了CNN网络，尽量去降低它的一个复杂度，提出它的一些关键特征。
另外，对于这个比赛需要AI有长期的规划能力。比如它需要先从产木头开始，产够了足够的木头才能去做木镐，用木镐才能去更好地去挖石头，挖到石头后制造石搞去挖铁，这样一环扣一环的操作才能有机会挖到钻石，这就需要AI在每个时刻都能知道自己的策略是要干什么，自己下一步需要干什么。而这么长的一段时间里面，让AI去盲目地去探索也是使用强化学习直接训练所需要面临巨大挑战。我们做的主要工作就是从缩减它的探索空间。
首先是动作编码，我们会把动作精简到只有20个动作，而且根据当前的局面去屏蔽一些不需要的动作。这样的话，实际上我们AI每一次可以选择动作非常少，这样可以压缩探索的空间。跳帧也是一个关键点。
通过跳帧我们可以把本来很长的游戏压缩成比较短的游戏过程，AI需要做的决策数目也大大缩小了，这些策略都能进一步缩减我们的探索空间。缩减了探索空间，我们就能在比较短的时间里面训出比较好的效果。更重要的是，有一个合理的奖励。比如我们去寻宝，需要一个藏宝图，用藏宝图去指引我们下一步的目标在哪里，通过达到一个目标获取下一条线索，才能更容易找到目标。
如果用原生的原始奖励，要不就是第一次资源就获得奖励之后再不能获得奖励。这样的话，我们的AI可能就学不到，应该要重复收集足够的资源才能去做工具。如果每一次都有奖励，AI又可能会学到刷分这样的一个行为。所以我们就细致的调整了它实际的一个奖励，去更好地引导AI的训练。
比如木头的话，它是一开始需要比较多，后面没有用。所以，我们一开始会给它重复的奖励，到了一定程度就不会再给奖励。另外，挖钻石的行为，其实跟挖矿、挖石头上的一个操作是类似的，都是要不断挖掘。我们需要去鼓励它进行这样的操作，所以挖石头，挖铁矿我们都是给它无限的奖励。最后，我们通过这样的策略非常有效的将AI训练出来。可以看到，随着AI的迭代，它的累积回报跟挖到钻石的概率都是飞快的上升。最后，我们也是以历史最高分获得了冠军，也是这比赛举办以来第一次有队伍挖到钻石了。
2、用强化学习进行辅助游戏设计
我们还探索用强化学习去做辅助游戏设计的工作。比如有一个竞速游戏，需要测试赛车的圈速、赛车的漂移性能、赛道的通过性、弯道的难度；如果用人工验证的话，要花费很多的时间。比如，我们需要若干天让它去熟悉游戏、掌握游戏的技巧，将游戏技术提高到一个比较高的水平，让测试才相对准确一点。还要去做验证赛车和赛道的组合，把每一个赛车和赛道的组合都跑一遍，这也需要耗費很多时间。
策划重新设计的赛车或者赛道后，需要人工去重新适应新的赛车赛道的特性，这需要花费很多时间去重新适应。另外用人工验证的话，还会存在一些偏差。因为人工验证不可能保证每一次测试都是人类地最高水平，所以他可能需要重复测试验证。另外人固有的操作习惯也会影响他评测新的赛车，在旧的赛车赛道，他已经很熟悉，遇到新的赛车之后，他可能就会沿用旧赛车的一些操作，这样新赛车的特性可能就不一定能发挥出来。
强化学习的一个重点就是要加速AI的训练。因为只有加速了AI的训练，我们才能更好的适应策划的新的配置，能在更短的时间里面完成一个跑测。因此，我们的主要工作就是把一些不合理的动作屏蔽掉，减少它的探索空间，动态的提前结束游戏。
相似的赛道同时训练也有助于AI去学习它们之间的联系，加速它的收敛过程。AI在CPU机器上也可以快速输出结果。即便是在CPU机器 上进行训练，我们也可以缩短90%的测试时间。利用AI可以在同一个赛道同时输出多辆赛车，观察在每一个时刻，它的位置、速度、档位、还有赛车的引擎的信息，方便策划去调试。
3、用强化学习进行游戏的平衡性分析
除了进行竞速游戏的验证以外，我们还可以做一些游戏的平衡性分析。比如在策略游戏里面，新的英雄上线了可能会有玩家吐槽，这个英雄太强了，跟什么英雄搭配都是无解的存在。那下一个版本策划可能就会修改，把它削弱一点。实际上，上线玩家又可能会发现这英雄被削的太多了，之前充的钱可能又白花了。这样的话就会给游戏的口碑带来极大的影响，同时也会非常影响游戏玩家的体验。
我们尝试可以用事前分析去解决，比如可以用人工去评估，可以用程序去模拟所有的组合对战结果。当然，我们也可以用强化学习去进行探索，用人工的话，就像刚才那样可能就会出现，人工的遗漏。有一些情况没有考虑到，上线之后就会被玩家发现有一些特别强的组合。这样的话，它的准确率实际上是比较低的。
如果用程序去模拟所有组合的结果会非常准确，但因为它的组合数非常多，要通常需要数个月的时间，甚至不可接受的时间。如果用强化学习的话，就相当于在两者时间取了个折中。通过强化学习，我们启发式去进行搜索，并不需要进行所有的组合的枚举。我们可以通过启发式的搜索找到一些可能比较强的组合。我们并不需要把所有的组合都遍历一遍，就可以得出一个比较精准的结果，因为AI并没有人所拥有的先验知识的一些偏见，所以相对人的经验AI的结果会更准确。
强化学习的训练都离不开一个环境，在这一个游戏平衡性分析的场景里面，搭建一个合适的环境来表述这个问题是非常重要的。我们用模型池跟游戏模拟器组成这一个游戏环境，每一次，AI从游戏环境里面获取到当前要对战的阵容，然后它所需要的角色就是要击败这个阵容所需要的组合。输出的动作返回到战斗模拟器去进行模拟对战，最后把赛果返回到我们的AI里面。
AI通过这样的反馈就能获取这一个阵容是否合理，多轮的迭代之后AI就会学会如何搭配阵容才能打败对面的组合，而这样的一个强的组合也会逐渐加入到我们的阵容池里面进行淘汰，把差的阵容淘汰，留下强的阵容。通过迭代，阵容池里面就可以留下一大批可能潜在过强的英雄组合，我们把这样的一个流程搭成一个自助跑测平台，策划只需要上传更新好的游戏属性文件，然后点一下运行就可以直接跑出来所需要的结果。包括每一个阵容它的实际对战的结果。每一个英雄的实际强度跟其他英雄的对比，还有阵容的阵容之中每个英雄的出场率，都可以验证这个英雄的强度是否符合策划预先设计的预期。
三、强化学习在其他领域的应用
前面说了很多强化学习在互娱游戏里面的落地，我们也可以观察到强化学习，不止在游戏里面有应用，我们还可以看到在国外，有一些公司用强化学习和对抗学习做游戏关卡的生成。有自动驾驶和机器人的控制都大量用到了强化学习的技术。
最近，Deepmind还提出了用强化学习去控制核聚变的反应堆。我相信这样的一个技术可以促进最终核聚变的应用。
我的演讲到此结束，非常感谢大家。
2022N.GAME网易游戏开发者峰会4月18日-4月21日每天下午15点直播，戳链接可直达峰会官网：https://game.academy.163.com/event/nGame
