夢晨 曉查 發自 凹非寺量子位 報道 | 公衆號 QbitAI

13年以前，有這樣一款“變態”級難度的遊戲曾風靡一時。

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

實際上，大部分玩家剛上手的時候，可能連起點線都邁不過去就Game Over了。

如果你能跑出幾米遠，絕對算是一個高手，甚至能在朋友面前炫耀一番。

QWOP的難點在於，一旦角色失去平衡就很難再挽回，需要在100米的距離內一直保持重心不過於向前後傾斜。

當你經過苦練第一次跑起來時，又會被50米處作者故意設置的欄杆擺一道：說好的100米短跑怎麼變跨欄了？

△某小編當年的遊戲截圖

在那個4399小遊戲盛行的年代，這款也被戲稱爲“是男人就跑100米”。因爲難度過於“變態”，QWOP開發者曾收到過很多辱罵郵件。

雖然絕大部分人難以跑到終點，但仍有一批骨灰級玩家樂此不疲，他們不僅能輕鬆跑完，至今還爲競爭世界排名而不斷挑戰。

2個月前，一位日本玩家創造了新的世界紀錄：48.34秒。

看到這款“沙雕遊戲”，你是不是會想到強化學習來訓練雙足機器人的畫面？

一位來自波士頓諮詢的數據分析師Wesley Liao也是這麼想的。

不過別以爲“變態”難度的遊戲到了AI面前就變成了毛毛雨。

Liao綜合了之前多種強化學習算法，最後甚至請來了“世界名師”教學，費了好大一番功夫，才終於讓AI在上週打破人類玩家的記錄。

可見這款遊戲的難度一點都不比圍棋低啊。（手動狗頭）

小試牛刀

一開始，Liao使用OpenAI Gym強化學習環境來訓練AI，先設定好遊戲的狀態、操作和獎懲機制。

狀態包括每個身體部位和關節的位置、速度和角度。操作方式限定爲11種：4個QWOP按鍵、6種兩兩按鍵組合以及不按任何鍵。

用來訓練AI的算法是ACER（具有經驗回放能力的Actor-Critic）。這種算法的優點是，不僅可以從其最近獲得的經驗中學習，也可以學習存儲數據中更早的經驗。

由於ACER非常複雜，Liao使用了別人的實現代碼“Stable Baselines”。

Liao首先嚐試了讓AI自己學習。經過多次實驗後，他發現AI只學會了“蹭膝蓋”這種方式跑過終點，速度很慢。

這和許多人類普通玩家以及其他強化學習算法是一樣的，離高手的水平還差很遠，更不用談打破紀錄了。

仔細分析可以發現，AI根本沒有學習到跨步機制，只是學習到了最安全、最慢的方法來到達終點。

看來靠AI完全自學是不行了。

學會奔跑

類似於DeepMind用頂級棋手教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本人的技術和頂級玩家差距太大，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，只能寄希望於AI能從“渣技術”裏學到一點奔跑的技巧吧。

但是結果很不幸，AI很好地詮釋了“邯鄲學步”：不僅沒掌握跑步技巧，反而在起點就跌倒了。

然後Liao讓AI自己繼續訓練。所謂師父領進門，修行在個人，AI能否將人類技術和自學能力結合起來？

結果令人興奮，經過90個小時的訓練，AI終於學會了像人一樣奔跑！

最終成績是1分25秒，已經能跑進全球排行榜的前15名，離超過人類不遠了。

接下來要做的就是再向AI教授更多技巧，奈何本人技術太渣。

所以要想進一步提高AI的水平，必須找頂級高手來幫忙。

頂級高手助陣

Liao觀察速通排行榜上的錄像，發現頂級玩家的技巧是把左腿抬高可以跑得更快。

△排名第一玩家gunmaneko的踢腿技巧

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

兩位玩家熱情地回答了他的問題。其中Kurodo指出這個技巧的關鍵在於減少遊戲角色在縱向的移動，並提出把保持身體高度加入AI的獎勵函數。

Liao向Kurodo分享了他的代碼，Kurodo慷慨地使用代碼記錄了50次自己遊戲時的按鍵記錄發給Liao。

Liao嘗試使用這些數據對AI進行預訓練，但效果並不好。AI還沒來得及學會踢腿技巧，倒先把基本的跑步方法忘記了。

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

並且是AI每自己玩一次，就注入一次Kurodo的數據，保證AI隨機從記憶中選取一段來學習時選到兩種記憶的概率相同，避免在學習新技巧的過程中把基本操作忘掉。

AI使用Kurodo的數據訓練了15個小時，終於學會了踢腿，但因爲兩種記憶無法協調在一起，跑時間長了動作會不穩定。

Liao此時把Kurodo的記憶移除，又讓AI自己訓練了25小時，總訓練時間達到了65小時。

最終AI的成績達到1分08秒，終於進入前十。

打破世界紀錄

Liao把教AI玩這個遊戲的過程做成視頻發在網上。一個月前，外媒Gismodo問他：爲什麼AI還沒有打破世界紀錄？

於是Liao重新訓練了一個只爲優化速度而存在的新AI。

新AI改用Prioritized DDQN算法，因爲這種算法會給學習效率更高的狀態增加權重而不是均勻採樣，能使新AI迅速學會舊AI已經掌握了的技巧。

並且，新AI的獎勵函數去掉了身體高度，膝蓋彎曲角度等參數，改成只和前進速度相關。

新AI先用已有數據進行只有幾分鐘的預訓練，隨後是40小時的自訓練。最終，新AI每秒所做的動作數在訓練環境中由9提高到18，並在測試環境中達到25。

新AI對踢腿技巧的掌握非常穩定，即使被障礙物影響也能迅速恢復。

快速高效的動作使AI的成績提高到47.34秒，比人類最高紀錄48.34秒剛好快1秒。

這才終於算是，在人工智能超越人類的遊戲列表中又增加了一項。

One More Thing

你以爲這就完了？

跑完100米不算完，這款遊戲還有一種世界級難度——“是男人就跑完馬拉松”。

爲Liao提供幫助的玩家Kurodo最近剛剛提交了世界紀錄，全球也只有兩人完成了這項壯舉。

很難想象他們在電腦前連續按幾個小時QWOP的畫面。

另外，QWOP的開發者Bennett Foddy一直在堅持開發這類“變態”難度的獨立小遊戲。

有一款Getting Over It with Bennett Foddy名氣頗高，中文名“掘地求升”。玩法就是一個裝在罈子裏的人不停用錘子讓自己升高。

Foddy曾經在普林斯頓大學和牛津大學擔任博士後研究員，現在是一名獨立遊戲設計師。QWOP就是他在普林斯頓大學時期開發的。

我只能說，學霸開發的遊戲，學渣真的玩不起。

QWOP在線遊戲地址：http://www.foddy.net/Athletics.html

參考鏈接：[1] https://github.com/Wesleyliao/QWOP-RL[2] https://www.speedrun.com/qwop[3] https://gizmodo.com/an-ai-was-taught-to-play-the-worlds-hardest-video-game-1846388137[4] https://towardsdatascience.com/achieving-human-level-performance-in-qwop-using-reinforcement-learning-and-imitation-learning-81b0a9bbac96[5] https://www.youtube.com/watch?v=82sTpO_EpEc[6] https://wesleyliao.com/