本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

 13年以前，有這樣一款“變態(tài)”級(jí)難度的游戲曾風(fēng)靡一時(shí)。

它的名字簡(jiǎn)單粗暴——QWOP。意思是讓玩家用這四個(gè)鍵位控制游戲人物的左右大腿和小腿，以最快的速度跑完100米。

實(shí)際上，大部分玩家剛上手的時(shí)候，可能連起點(diǎn)線都邁不過去就Game Over了。

如果你能跑出幾米遠(yuǎn)，絕對(duì)算是一個(gè)高手，甚至能在朋友面前炫耀一番。

QWOP的難點(diǎn)在于，一旦角色失去平衡就很難再挽回，需要在100米的距離內(nèi)一直保持重心不過于向前后傾斜。

當(dāng)你經(jīng)過苦練第一次跑起來時(shí)，又會(huì)被50米處作者故意設(shè)置的欄桿擺一道：說好的100米短跑怎么變跨欄了？

在那個(gè)4399小游戲盛行的年代，這款也被戲稱為“是男人就跑100米”。因?yàn)殡y度過于“變態(tài)”，QWOP開發(fā)者曾收到過很多辱罵郵件。

雖然絕大部分人難以跑到終點(diǎn)，但仍有一批骨灰級(jí)玩家樂此不疲，他們不僅能輕松跑完，至今還為競(jìng)爭(zhēng)世界排名而不斷挑戰(zhàn)。

2個(gè)月前，一位日本玩家創(chuàng)造了新的世界紀(jì)錄：48.34秒。

看到這款“沙雕游戲”，你是不是會(huì)想到強(qiáng)化學(xué)習(xí)來訓(xùn)練雙足機(jī)器人的畫面？

一位來自波士頓咨詢的數(shù)據(jù)分析師Wesley Liao也是這么想的。

不過別以為“變態(tài)”難度的游戲到了AI面前就變成了毛毛雨。

Liao綜合了之前多種強(qiáng)化學(xué)習(xí)算法，最后甚至請(qǐng)來了“世界名師”教學(xué)，費(fèi)了好大一番功夫，才終于讓AI在上周打破人類玩家的記錄。

可見這款游戲的難度一點(diǎn)都不比圍棋低啊。（手動(dòng)狗頭）

小試牛刀

一開始，Liao使用OpenAI Gym強(qiáng)化學(xué)習(xí)環(huán)境來訓(xùn)練AI，先設(shè)定好游戲的狀態(tài)、操作和獎(jiǎng)懲機(jī)制。

狀態(tài)包括每個(gè)身體部位和關(guān)節(jié)的位置、速度和角度。操作方式限定為11種：4個(gè)QWOP按鍵、6種兩兩按鍵組合以及不按任何鍵。

用來訓(xùn)練AI的算法是ACER（具有經(jīng)驗(yàn)回放能力的Actor-Critic）。這種算法的優(yōu)點(diǎn)是，不僅可以從其最近獲得的經(jīng)驗(yàn)中學(xué)習(xí)，也可以學(xué)習(xí)存儲(chǔ)數(shù)據(jù)中更早的經(jīng)驗(yàn)。

由于ACER非常復(fù)雜，Liao使用了別人的實(shí)現(xiàn)代碼“Stable Baselines”。

Liao首先嘗試了讓AI自己學(xué)習(xí)。經(jīng)過多次實(shí)驗(yàn)后，他發(fā)現(xiàn)AI只學(xué)會(huì)了“蹭膝蓋”這種方式跑過終點(diǎn)，速度很慢。

這和許多人類普通玩家以及其他強(qiáng)化學(xué)習(xí)算法是一樣的，離高手的水平還差很遠(yuǎn)，更不用談打破紀(jì)錄了。

仔細(xì)分析可以發(fā)現(xiàn)，AI根本沒有學(xué)習(xí)到跨步機(jī)制，只是學(xué)習(xí)到了最安全、最慢的方法來到達(dá)終點(diǎn)。

看來靠AI完全自學(xué)是不行了。

學(xué)會(huì)奔跑

類似于DeepMind用頂級(jí)棋手教AlphaGo下棋，Liao想到是不是也可以讓人類玩家來教一下AI。

但是Liao本人的技術(shù)和頂級(jí)玩家差距太大，自己最多也只能跑到28米。

這都不重要，重要的是起碼Liao跨出更大步伐的技巧，只能寄希望于AI能從“渣技術(shù)”里學(xué)到一點(diǎn)奔跑的技巧吧。

但是結(jié)果很不幸，AI很好地詮釋了“邯鄲學(xué)步”：不僅沒掌握跑步技巧，反而在起點(diǎn)就跌倒了。

然后Liao讓AI自己繼續(xù)訓(xùn)練。所謂師父領(lǐng)進(jìn)門，修行在個(gè)人，AI能否將人類技術(shù)和自學(xué)能力結(jié)合起來？

結(jié)果令人興奮，經(jīng)過90個(gè)小時(shí)的訓(xùn)練，AI終于學(xué)會(huì)了像人一樣奔跑！

最終成績(jī)是1分25秒，已經(jīng)能跑進(jìn)全球排行榜的前15名，離超過人類不遠(yuǎn)了。

接下來要做的就是再向AI教授更多技巧，奈何本人技術(shù)太渣。

所以要想進(jìn)一步提高AI的水平，必須找頂級(jí)高手來幫忙。

頂級(jí)高手助陣

Liao觀察速通排行榜上的錄像，發(fā)現(xiàn)頂級(jí)玩家的技巧是把左腿抬高可以跑得更快。

他開始全球排名前二的玩家gunmaneko和Kurodo請(qǐng)教踢腿技巧的操作。

兩位玩家熱情地回答了他的問題。其中Kurodo指出這個(gè)技巧的關(guān)鍵在于減少游戲角色在縱向的移動(dòng)，并提出把保持身體高度加入AI的獎(jiǎng)勵(lì)函數(shù)。

Liao向Kurodo分享了他的代碼，Kurodo慷慨地使用代碼記錄了50次自己游戲時(shí)的按鍵記錄發(fā)給Liao。

Liao嘗試使用這些數(shù)據(jù)對(duì)AI進(jìn)行預(yù)訓(xùn)練，但效果并不好。AI還沒來得及學(xué)會(huì)踢腿技巧，倒先把基本的跑步方法忘記了。

Liao不得不改變方法，他把Kurodo的數(shù)據(jù)注入到AI的回放緩存*（Replay Buffer）*中。這相當(dāng)于修改AI的記憶，使AI有一半的記憶是自己的，另一半來自Kurodo。

并且是AI每自己玩一次，就注入一次Kurodo的數(shù)據(jù)，保證AI隨機(jī)從記憶中選取一段來學(xué)習(xí)時(shí)選到兩種記憶的概率相同，避免在學(xué)習(xí)新技巧的過程中把基本操作忘掉。

AI使用Kurodo的數(shù)據(jù)訓(xùn)練了15個(gè)小時(shí)，終于學(xué)會(huì)了踢腿，但因?yàn)閮煞N記憶無法協(xié)調(diào)在一起，跑時(shí)間長(zhǎng)了動(dòng)作會(huì)不穩(wěn)定。

Liao此時(shí)把Kurodo的記憶移除，又讓AI自己訓(xùn)練了25小時(shí)，總訓(xùn)練時(shí)間達(dá)到了65小時(shí)。

最終AI的成績(jī)達(dá)到1分08秒，終于進(jìn)入前十。

打破世界紀(jì)錄

Liao把教AI玩這個(gè)游戲的過程做成視頻發(fā)在網(wǎng)上。一個(gè)月前，外媒Gismodo問他：為什么AI還沒有打破世界紀(jì)錄？

于是Liao重新訓(xùn)練了一個(gè)只為優(yōu)化速度而存在的新AI。

新AI改用Prioritized DDQN算法，因?yàn)檫@種算法會(huì)給學(xué)習(xí)效率更高的狀態(tài)增加權(quán)重而不是均勻采樣，能使新AI迅速學(xué)會(huì)舊AI已經(jīng)掌握了的技巧。

并且，新AI的獎(jiǎng)勵(lì)函數(shù)去掉了身體高度，膝蓋彎曲角度等參數(shù)，改成只和前進(jìn)速度相關(guān)。

新AI先用已有數(shù)據(jù)進(jìn)行只有幾分鐘的預(yù)訓(xùn)練，隨后是40小時(shí)的自訓(xùn)練。最終，新AI每秒所做的動(dòng)作數(shù)在訓(xùn)練環(huán)境中由9提高到18，并在測(cè)試環(huán)境中達(dá)到25。

新AI對(duì)踢腿技巧的掌握非常穩(wěn)定，即使被障礙物影響也能迅速恢復(fù)。

快速高效的動(dòng)作使AI的成績(jī)提高到47.34秒，比人類最高紀(jì)錄48.34秒剛好快1秒。

這才終于算是，在人工智能超越人類的游戲列表中又增加了一項(xiàng)。

One More Thing

你以為這就完了？

跑完100米不算完，這款游戲還有一種世界級(jí)難度——“是男人就跑完馬拉松”。

為L(zhǎng)iao提供幫助的玩家Kurodo最近剛剛提交了世界紀(jì)錄，全球也只有兩人完成了這項(xiàng)壯舉。

很難想象他們?cè)陔娔X前連續(xù)按幾個(gè)小時(shí)QWOP的畫面。

另外，QWOP的開發(fā)者Bennett Foddy一直在堅(jiān)持開發(fā)這類“變態(tài)”難度的獨(dú)立小游戲。

有一款Getting Over It with Bennett Foddy名氣頗高，中文名“掘地求升”。玩法就是一個(gè)裝在壇子里的人不停用錘子讓自己升高。

Foddy曾經(jīng)在普林斯頓大學(xué)和牛津大學(xué)擔(dān)任博士后研究員，現(xiàn)在是一名獨(dú)立游戲設(shè)計(jì)師。QWOP就是他在普林斯頓大學(xué)時(shí)期開發(fā)的。

我只能說，學(xué)霸開發(fā)的游戲，學(xué)渣真的玩不起。