西風 發自 凹非寺
量子位 | 公眾號 QbitAI
基於大模型的Agent會玩寶可夢了，人類水平的那種！
名為 PokéLLMon ，現在它正在 天梯對戰 中與人類玩家一較高下：
PokéLLMon能靈活調整策略，一旦發現攻擊無效，立刻改變行動：
PokéLLMon還會運用人類式的消耗戰術，頻繁給對方寶可夢 下毒 ，並一邊恢復自身HP。
不過面對強敵，PokéLLMon也會「慌亂」逃避戰鬥，連續切換寶可夢：
最終對戰結果是，PokéLLMon在 隨機天梯賽中取得49%的勝率 ， 與專業玩家的邀請賽中取得56%的勝率， 遊戲戰略和決策水平接近人類 。
網友看到PokéLLMon的表現也很意外，直呼：
小心被任天堂封禁，這話是認真的。
甚至有網友喊話寶可夢大滿貫選手、世錦賽冠軍 Wolfey Glick ，來和這個AI一較高下：
這究竟是如何做到的？
PokéLLMon大戰人類
PokéLLMon 由佐治亞理工學院研究團隊提出：
具體來說，他們提出了三個關鍵策略。
一是 上下文強化學習 （In-Context Reinforcement Learning） 。
利用從對戰中即時獲得的文字反饋作為一種新的「獎勵」輸入，不需要訓練就可以線上叠代完善和調整PokéLLMon的決策生成策略。
其中反饋內容包括：回合HP變化、攻擊效果、速度優先級、招式額外效果等。
比如PokéLLMon反復使用相同的攻擊招式，但由於對方寶可夢具有「幹燥皮膚」的能力，對其沒有任何效果。
在第三回合中對戰中，透過即時上下文強化學習，PokéLLMon隨後選擇更換寶可夢。
二是 知識增強生成 （Knowledge-Augmented Generation） 。
透過檢索外部知識源作為額外輸入，融入到狀態描述中。比如檢索類別關系、招式數據，模擬人類查詢寶可夢圖鑒，來減少未知知識導致的「幻覺」問題。
由此一來，PokéLLMon可以準確理解並套用招式效果。
比如面對犀牛前進演化形態的 地面攻擊 ，PokéLLMon未選擇更換寶可夢，而是施展「電磁飄浮」，該技能在五回合內成功抵禦地面攻擊，使犀牛的「地震」技能無效。
三是 一致性動作生成 （Consistent Action Generation） 。
研究人員發現，當PokéLLMon面對強大對手時，思維鏈（CoT） 的推理方式會導致它因「恐慌」而頻繁更換道具或寶可夢。
△PokéLLMon害怕，不斷切換寶可夢
而透過一致性動作生成，可以獨立多次生成行動，投票出最一致的，從而緩解「恐慌」。
值得一提的是，研究人員所用的模型自主和人類作戰的寶可夢 對戰環境 ，基於Pokemon Showdown和poke-env實作，目前 已開源 。
為了測試PokéLLMon的對戰能力，研究人員用它分別與隨機天梯賽玩家和一名擁有 15年經驗 的專業玩家對戰。
結果，PokéLLMon與天梯隨機玩家的勝率為48.57%，與專業玩家的邀請對戰勝率為56%。
總的來說，PokéLLMon的優勢在於：能準確選擇有效招式，統一使用一個寶可夢擊倒全部對手；展現出類人的消耗戰略，使對手中毒後再拖延回血。
不過研究人員也指出了PokéLLMon的不足之處，面對玩家的消耗戰略(拖延回血) 很難應對：
容易被玩家的迷惑戰術誤導（迅速切換寶可夢，巧妙使PokéLLMon浪費強化攻擊機會） ：
團隊簡介
三位作者均為華人學者。
論文一作 胡思昊 ，現為佐治亞理工學院電腦科學博士生，本科畢業於浙江大學，曾在新加坡國立大學擔任研究助理。
研究興趣包括用於區塊鏈安全和推薦系統的資料探勘演算法及系統。
作者 Tiansheng Huang ，同為佐治亞理工學院電腦科學博士生，華南理工大學校友。
研究興趣包括分布式機器學習、並列與分布式計算、最佳化演算法以及機器學習安全性。
導師 劉玲 ，現為佐治亞理工學院電腦系教授。1982年畢業於中國人民大學，1993年於荷蘭蒂爾堡大學獲博士學位。
劉教授主導分布式數據密集系統實驗室（DiSL） 的研究工作，專註於大數據系統及其分析的多個方面，如效能、安全和私密等。
同時她也是IEEE Fellow，2012年獲得IEEE電腦學會技術成就獎，還曾擔任多個IEEE和ACM大會主席。
參考連結：
[1]https://twitter.com/_akhaliq/status/1754337188014100876
[2]https://poke-llm-on.github.io/
— 完 —
量子位 QbitAI · 頭條號簽約
關註我們，第一時間獲知前沿科技動態
