DeepMind-AI besiegt Starcraft-Profis 10

1

Fast alle größeren Unternehmen arbeiten in irgendeinem Bereich mit künstlichen Intelligenzen. Die Google-Tochter DeepMind will Machine-Learning-Anwendungen in die verschiedensten Bereiche einbringen. Bereits seit einiger Zeit arbeitet man an ML-Netzwerken, die in Spielen ein taktisches Verständnis entwickeln sollen. Dabei gehen die Algorithmen einen Schritt weiter als Systeme, die in Brettspielen wie Schach oder Go schon längst auch die stärksten menschlichen Gegner schlagen.

Bereits seit Jahren bieten einige Spiele entsprechende Lern-Schnittstellen, um KI-Spieler zu integrieren. Für Starcraft II und Dota 2 gibt es diese schon seit einigen Jahren und auch eine weitere Domäne des Esports, die Ego-Shooter sind bereits ein Entwicklungsfeld für KI-Spieler, die über die üblichen geskripteten Computergegner hinausgehen.

Nun gab es einen weiteren großen Test für die KI in Starcraft 2. Die von DeepMind als AlphaStar bezeichnete KI sollte gegen mehrere Profi-Spieler antreten. Dario "TLO" Wünsch wurde mit seiner favorisierten Klasse Zerg 5:0 geschlagen. Ebenso erging es Grzegorz "MaNa" Komincz, der sich als Protoss-Spieler ebenfalls 5:0 geschlagen geben musste. Ein elftes Spiel wurde von MaNa gewonnen. Hier wurde AlphaStar hinsichtlich der Möglichkeit die eigenen Einheiten zu beobachten auf das "Fenster" eingeschränkt, welches auch wirklich auf dem Bildschirm sichtbar war. Die API wurde also dahingehend eingeschränkt, wie ein menschlicher Spieler das Geschehen primär wahrnimmt.

Wer nun aber glaubt, die reine Geschwindigkeit für die Positionierung der Kamera oder der einzelnen Einheiten sei ein Vorteil der KI, der liegt falsch. Die menschlichen Gegner erreichen 559 Actions pro Minute, AlphaStar kommt auf nur 277. Nicht die Geschwindigkeit ist also entscheidend, sondern die Präzision. Anstatt eine Einheit mehrfach positionieren zu müssen, setzt AlphaStar diese fast immer direkt auf die optimale Position.

AlphaStar basiert auf einem Training von KI-Gegnern, den sogenannten Agents, die gegeneinander angetreten sind. Anstatt einzelne Intelligenzen zu trainieren, lernten also mehrere Agents durch ein gemeinsames Spielen gegeneinander. Das Training der Agents findet ausschließlich auf Basis eigener Erkenntnisse statt. Es wurden ihnen kein Verhalten vorprogrammiert. AlphaStar hat aber durchaus auch von menschlichen Spielern gelernt und dazu 500.000 Matches analysiert. Alleine durch diese Lernphase war AlphaStar schon besser als 95 % aller menschlichen Spieler.

Einzelne Agenten, also singuläre KI-Instanzen von AlphaStar, haben mehr als 200 Jahre an Starcraft-Spielzeit vollbracht. Für die Berechnungen wurden die Tensor Processing Units oder kurz TPUs von Google verwendet. DeepMind hat am Ende fünf Agents ausgewählt, die gegen die menschlichen Gegner antreten sollten. Alle fünf haben unterschiedliche Strategien angewendet und dennoch wurden die Matches jeweils 5:0 gewonnen.

DeepMind ist damit der nächste Schritt gelungen, denn Strategiespiele gegen menschliche Gegner verlangen nach einer gewissen Anpassung der Strategie durch die KI. Die Auswahl der richtigen Strategie aus einer Vielzahl von Daten ist diesem Bereich entscheidend um eine Partie gewinnen zu können. Dies ist die fundamentale Herausforderung aller KI-Systeme und die Lernphase und Erkenntnisse von AlphaStar werden auch in anderen Feldern der KI-Entwicklung zukünftig eine Rolle spielen.