作者pkyosx (Insomnia)
看板StarCraft
標題Re: [新聞] 加州大學伯克利分校開設星海爭霸課程
時間Fri Feb 13 12:06:48 2009
※ 引述《unknow12 (LockOn)》之銘言：
: 跟學術也有關係的一個發現
: 之前路過資工系的時候
: 他們都會在牆上放上我都看不懂的學生各種的研究展示
: 其中我看到一個研究題目為:戰略遊戲的AI決策分析(大概是這樣巴)
: 往下看..看到神族蟲族人類,這不是SC嗎!
: 他用了我忘了什麼名子的方法(xxx reasoning xx啥咪決策分析的)
Case-Based Reasoning
: 可能是人工智慧裡面的東東巴(資訊學院有搞這個)
You got it!
: 重點是此研究的實驗方法為
: 找三個人各打一百場SC
: 所以這個研究生的工作一定是:為了畢業而天天打SC..有沒有這麼爽
還蠻常打的 不過是因為寫不出論文拿電腦發洩...=.=
你沒發現圖表上面 玩家的名字很眼熟嗎... Slayers_`Boxer`, Nal_rA, July, ...
: 最後有三個圖..我也看不懂..好像有個抖來抖去的線越來越靠近某個直線
: 然後說這個AI的對玩家的決策判定越來越準
: 原來碩士題目什麼都有
沒想到會在這裡看到這個東西...
記得很久以前老是會有月經文在問... 我的星海AI變強了耶
在發現原來星海的 AI 並不會學習以後 (但是寫的真的比 AOC 好多了)
我一直以來都期待有個天才設計出有學習能力的 AI
同學說 別傻了 學AI應該沒啥用
你看那麼多天才有聽說弄出個什麼真的智慧嗎
於是我就加入了AI實驗室
實驗室的兩大主流是 疾病、社會模擬 以及 線上遊戲行為、社群分析
捨棄了實驗室的兩大主流 所以不會有前人 只好自己一個人搞 RTS
但是我一直都找不太到有針對 RTS 這種策略的相關論文
有趣卻一點都沒有辦法寫成論文的實驗我倒是做了很多
有一陣子常常在討論代打 跟假ID的事件
於是我建了熱鍵資料庫 你給我一場比賽的錄像
我寫的程式會從幾百幾千個玩家中 告訴你那有百分之多少是誰
但是這能寫成論文嗎... 不行= =
最後好不容易從找到的不多的RTS論文中看到 Case-Based Reasoning
這很適合套用在我的問題上... 得救
然後我讓電腦透過 Replay 去學習特定玩家的策略行為
再拿其他組的 Replay 來驗證我預測玩家的策略模型
就是你說的那些曲線
目的是先踏出第一步 你如果能夠丟進去一些 Replay
讓電腦學會某些玩家的策略 那不是很棒嗎...
但是限制很多... Replay 裡面存的只有你下的指令
我又沒有模擬器 你就知道心裡面有多靠背了
相較於其他人 我很早就開始準備論文的東西
但是整整花了一年多 最後的一個月才覺得自己有可能畢業
那一陣子星海越打越凶... 都拿電腦出氣
有限礦一打三台電腦又很難 勝率只有一成... 火氣更大
最靠杯的是 論文交出去以後還要我們做海報.... !@#$%
後來聽說翻成英文以後投了國外三篇 paper 都上了...
就還蠻爽的! 寫起來是有點心虛 不過因為真的太少人在寫這個東西了
算是.... 開闢者的優勢吧!!
現在我還是在等哪天有個天才能夠寫出會學習的 AI...
--
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 140.113.88.88
1F：推 o035016:gan 真是威 02/13 12:14
2F：推 Kendai:做研究很多時候是方向對了,或是找對人跟材料,整個海闊天空 02/13 12:15
3F：推 jhunfong:身為煙酒生 心有悽悽焉 02/13 12:19
4F：推 terranhardy:wOw...論文可以分享嗎? 02/13 12:25
5F：推 gmoz:paper上三篇算是功德圓滿了 02/13 12:26
6F：→ gmoz:開闢者真的有優勢 去年大三下寫的paper投北京某研討會也有中 02/13 12:27
7F：→ gmoz:不過跟星海沒關係就是了=3=... 我也想看你的論文>//< 02/13 12:28
8F：推 toblizzard:推分享 02/13 12:33
9F：→ rexrainbow:該不會是孫春在的實驗室吧? 02/13 12:34
10F：推 chogosu:好牛 02/13 13:05
11F：推 unknow12:其實因為看了你的研究的關係..害我現在好想轉到資工系 02/13 13:52
12F：推 unknow12:你是碩生嗎? 02/13 13:54
13F：推 gonia119:很想m這篇，研究跟興趣結合很棒。 02/13 13:57
15F：→ pkyosx:前年畢業 孫老師是個很博學又很有格調的人! 02/13 14:16
16F：→ pkyosx:為了讓一般人懂 所以我加了很多非遊戲的說法進去 02/13 14:17
17F：→ pkyosx:從來沒想過會有我以外的人想看我的碩士論文... 02/13 14:18
18F：→ rexrainbow:如果當初拿open source的RTS當實驗對象, 會不會更好處 02/13 14:20
19F：→ rexrainbow:理呢? 02/13 14:20
20F：推 rexrainbow:不過大概就沒有百場的replay了..@@ 02/13 14:23
21F：→ pkyosx:我有看過 但是... 星海魂 + 我覺得那些設計還是太簡陋了 02/13 14:23
22F：→ pkyosx:事實上我抓了快一萬場...他們應該會以為我在 DDoS 02/13 14:25
23F：推 unknow12:我記得AI不是要用到數學logic媽 怎嚜都沒看到 02/13 14:38
24F：推 DudeFromMars:113強者 02/13 14:54
25F：推 gmoz:論文大致看過了 後面的決策很有趣 不錯的論文XD 02/13 14:57
26F：→ pkyosx:CBR 的概念很簡單 沒有什麼複雜的數學式子 02/13 14:58
27F：→ pkyosx:如果你搭配一些其他的學習演算法 那就會有了 02/13 14:58
28F：→ pkyosx:我沒套用的原因一來是趕著畢業 二來是資料是間接型的 02/13 14:59
29F：→ pkyosx:過度訓練 並不一定能得到正面效果 而且會失去焦點 02/13 15:01
30F：→ pkyosx:教授說如果你把模型侷限在一款遊戲 那是畫地自限 02/13 15:02
31F：推 newest:113!!!!!! 不過現在討論的是RTS 裡面最大宗的也就BZ的遊 02/13 15:06
32F：→ rexrainbow:解讀: 前提假設-"一個建築狀態是玩家目前擁有的建築種 02/13 15:09
33F：→ rexrainbow:類集合，代表著玩家策略的布局狀況"->以建築物種類/順 02/13 15:10
34F：→ rexrainbow:序表示不同策略,產生決策圖 02/13 15:10
35F：→ rexrainbow:輸入replay找出決策流程, 得到圖27 02/13 15:11
36F：→ pkyosx:其實就是在講怎麼爬科技樹 02/13 15:12
37F：→ pkyosx:那張圖我沒記錯的話應該是 Boxer 的 比較粗的是 VTG 的流程 02/13 15:19
38F：推 surolanter:暴強阿推！！！ 02/13 16:06
39F：推 rey123123:後面計算的部分有點看不懂..可是真的太有趣了 Q_Q 02/13 18:11
40F：→ rey123123:如果學校有開這種課的話...再深我也願意學.. 02/13 18:12
41F：推 PsMonkey:強者... 請受弱者一拜... Orz 02/13 19:31
42F：推 znazji:推 有印像!!~~ 02/13 20:33
43F：推 abovelight:孫春在?那老師蠻有趣蠻會喇賽的 修過他的GAME AI挺有趣 02/13 22:35
44F：推 davidbright:幫推一下 06/01 08:20
45F：推 oichi: 太強啦~ 這個理想現在真的快成真。朝聖一下~ 2016 03/12 23:16