▲ IBM公司正使用Watson AI生成一份權(quán)威的《守望先鋒》聯(lián)賽選手實力排行榜
我們?nèi)祟愃坪跆焐蛯ε判邪襁@東西情有獨鐘,喜歡把各類選手或團隊按照一定指標羅列成清晰的榜單。但排名總會引發(fā)爭議,任何一份結(jié)果都或多或少要被關(guān)注者們指摘質(zhì)疑,比較極端的體育粉絲甚至會為了排名而大打出手。
2021年《守望先鋒》聯(lián)賽(OWL)新賽季將于本周五正式拉帷幕。包括OWL播客與Plat Chat播客的分析師在內(nèi),《守望先鋒》社區(qū)中的參與者們正忙碌地計算著20支OWL參賽隊伍的實力高下。
但是,如果可以使用戰(zhàn)績數(shù)據(jù)客觀確定哪支隊伍實力最強、哪支隊伍更擅長哪張對戰(zhàn)地圖,是不是更好呢?或者說,也許有一種方法,能夠單純根據(jù)統(tǒng)計數(shù)據(jù)在特定時段之內(nèi)確定最強大的參賽選手——而不受所選英雄、角色類型或者地圖的影響。
為此,《守望先鋒》聯(lián)賽與IBM合作,使用藍色巨人打造的Watson處理大量數(shù)據(jù)以確定誰是真正的佼佼者。
這項合作基于去年暴雪與IBM達成的協(xié)議,協(xié)議要求使用IBM的云與人工智能技術(shù)增強OWL分析與交互內(nèi)容。這也是IBM公司拿下的第一筆電子競技類交易。
《守望先鋒》聯(lián)賽副總裁Jon Spector在上周接受采訪時表示:“聯(lián)賽中的每一位選手都將獲得總評估分。而在即將開幕的第四賽季,我們將首次向全球粉絲、播客及廣大觀眾發(fā)布評分結(jié)果。參考這項分數(shù),每個對〈守望先鋒〉感興趣的朋友都能看到當季最強選手是誰。”
IBM公司《守望先鋒》聯(lián)賽項目負責人兼數(shù)字化戰(zhàn)略師Corey Shelton提到:“每個團隊有三類角色定位,大家可以從包含32名英雄的英雄池中隨意選擇。從數(shù)字角度來看,我們實際上是要在給定的匹配項中跟蹤近200萬個數(shù)據(jù)點,以統(tǒng)計學方式對這些數(shù)據(jù)點進行處理。這是一項非常有趣的挑戰(zhàn),我們IBM也對此次〈守望先鋒〉聯(lián)賽項目充滿期待。”
“這是一次展示當前數(shù)據(jù)與AI強大力量的寶貴展示機會。我們已經(jīng)在銀行、航空、零售及其他多個行業(yè)中使用這些技術(shù)。但這一次,我們將有機會向〈守望先鋒〉的粉絲們展示這些技術(shù)能達成哪些效果。”
為了及時在2021年第四賽季開始之前完成AI模型構(gòu)建,IBM決定采用其Area 631計劃。這是一個孵化器式的計劃,包括數(shù)據(jù)科學家、AI專家與軟件開發(fā)者在內(nèi)的六位專家集合起來,共同在3個月之內(nèi)提出一套解決方案。IBM與OWL的分析師團隊共同合作,在短短兩個月之內(nèi)就配合IBM Watson開發(fā)出了Power Ratings戰(zhàn)力排行榜。
AI模型從OWL匹配中分析了360多種不同的統(tǒng)計信息,其中包括選手命中率、治療速度乃至贏下比賽的速度等。
Area 631團隊首先使用IBM Cloud Pak for Data對供分析使用的大量數(shù)據(jù)進行聚合、分類與準備。使用高級分析發(fā)現(xiàn)各項指標與比賽結(jié)果之間的相關(guān)性之后,團隊就能弄清楚各項統(tǒng)計數(shù)據(jù)具體給隊伍的比賽結(jié)果帶來了怎樣的影響。
接下來,IBM Watson Studio的機器學習與Auto AI功能負責為每項指標分配權(quán)重。盡管所有統(tǒng)計數(shù)據(jù)都會影響到戰(zhàn)力排行榜,但其中約30項的權(quán)重更高,因此在隊伍評分中的作用更大。Shelton表示,AutoAI“簡化了構(gòu)建AI模型的過程”。
關(guān)于Power Rankings,Spector強調(diào)這是兩個團隊投入數(shù)月努力的心血結(jié)晶,并將在之后每周比賽結(jié)束后更新。IBM將直接從OWL數(shù)據(jù)中心處接收關(guān)于《守望先鋒》聯(lián)賽的信息,并將其輸入至Watson當中。
Watson每周只需要約一個小時就能處理這批海量數(shù)據(jù)。
Spector指出,OWL團隊非常重視縮短周轉(zhuǎn)時間。如果觀眾們發(fā)現(xiàn)某位選手在單場比賽中表現(xiàn)出色,自然希望相關(guān)結(jié)果能夠馬上體現(xiàn)在選手排行榜當中。Spector表示,“我認為至少要每周更新一次排名,保證不斷發(fā)布最有趣的賽事信息與細節(jié),讓粉絲們始終擁有良好的討論熱度。因此,我們決定在每個周末比賽結(jié)束后進行數(shù)據(jù)更新,并盡快發(fā)布新的戰(zhàn)力排行榜。”
這套Power Rankings系統(tǒng)的另一個有趣之處,在于無論具體選擇哪類角色、哪名英雄,所有選手都可以在同一份排行榜中正面比較自身實力。
比較不同選手之間的DPS(即每秒傷害輸出)相對簡單,我們可以直接關(guān)注每10分鐘時段之內(nèi)的最后一擊或持續(xù)傷害等統(tǒng)計數(shù)據(jù),借此了解同類玩家的戰(zhàn)場表現(xiàn)。但要對不同角色定位的選手進行比較,情況就變得相當復雜。換言之,靈活機動的輔助型選手與幫助隊友擋下大部分傷害的主坦角色誰更重要、誰對戰(zhàn)斗結(jié)果的貢獻更大?
AI將根據(jù)每位選手在周末比賽中的實際影響為其計算出總體得分。誰的得分更高,誰在排行榜上的名次就更好。觀眾們則可以瀏覽這份清單,觀看每位選手的得分以及按角色類型進一步劃分的選手排名。
我們當然可以查看關(guān)于選手們的更多詳盡統(tǒng)計信息,但IBM Watson決定將Power Rankings的關(guān)注重點放在總得分上。你可以把它理解成一種綜合實力的“世界500強”式排名,只是單純面向《守望先鋒》職業(yè)選手。這套模型甚至能夠解釋《守望先鋒》聯(lián)賽選手在不同角色定位之間的切換理由與戰(zhàn)績表現(xiàn)。
Spector感嘆道:“我本人也是個〈守望先鋒〉聯(lián)賽迷,這真的太有趣了。在完成了算法的開發(fā)、構(gòu)建與完善之后,現(xiàn)在我也可以像普通觀眾一樣輕松愉快地跟進到底誰是2020年全球最強〈守望先鋒〉選手。過去幾個月來,這套AI模型帶來了非常有趣的體驗,我迫不及待想把成果呈現(xiàn)到全球粉絲面前。”
▲ IBM Watson的加持下,粉絲們將看到哪些《守望先鋒》聯(lián)賽選手能夠在新一輪對抗中脫穎而出。
為了測試這套模型,團隊使用了2020年的OWL賽季數(shù)據(jù)。而且與大多數(shù)人的直觀認知不同,DPS并不是《守望先鋒》比賽中最重要的角色類型——至少上個賽季的數(shù)據(jù)不是這么說的。舊金山Shock隊頭號輔助Minki “Viol2t”Park被評為2020年排行榜中的冠軍。
Shelton提到,“我認為其中最大的驚喜或者說反直覺意義,在于這套模型會顛覆大多數(shù)人的基本假設(shè)??v觀前十位選手,其實選擇DPS類角色的比例很低。這款游戲的角色主要分成三類,戰(zhàn)隊要想拿下比賽,這三種角色都非常重要。而在排名當中,輔助類角色與坦克類角色的價值其實相當高。”
Spector也補充道,“我們還評出了上屆聯(lián)賽中的MVP,即上海Dragons隊的DPS巨星Byung-sun「Fleta」Kim,在整個排行榜中位列第十。很多粉絲可能懷疑DPS角色的競賽貢獻為什么會這么低,畢竟這些玩家在比賽中帶來的視覺沖擊力更強——我們都會被精彩絕倫的爆頭與連殺所震撼,不自覺給這類玩家「過高」的評價。但他們并沒有那么重要,數(shù)據(jù)說的。”
“與之相比,全球最強的坦克與輔助角色有著更重要的任務(wù),例如在正確的時間介入以抵擋傷害或挽救隊友,同時需要以更精妙的方式管理技能冷卻或其他即時判斷。但在正常觀看〈守望先鋒〉時,包括我在內(nèi)的絕大多數(shù)粉絲甚至意識不到這些。IBM Watson能夠更好地把這些細節(jié)加以量化,告訴大家種種不起眼的小操作能夠如何左右戰(zhàn)局。”
▲ IBM公司正使用Watson AI生成客觀公正的《守望先鋒》聯(lián)賽戰(zhàn)力排名。
我們很高興看到Power Rankings的每周更新結(jié)果,特別是在比賽期間對全新平衡補丁的快速適應(yīng)。而在每個《守望先鋒》聯(lián)賽賽季當中,元轉(zhuǎn)換都普遍存在且影響重大——一支在前幾輪比賽中占據(jù)統(tǒng)治地位的隊伍,很可能隨季后賽的來臨而遭遇排名下降;與之對應(yīng),前期艱難苦戰(zhàn)的隊伍也有可能強勢反殺。
未來Watson可能會給出更多OWL洞見,但就目前而言,Power Rankings仍然是絕對的中心。在賽季開始后的每個周一,你都可以在《守望先鋒》聯(lián)賽與IBM網(wǎng)站上查看最新結(jié)果,并在OWL播客中收聽消息。現(xiàn)在,各位已經(jīng)可以在這里查看Watson整理出的上賽季排名。
戰(zhàn)力排行榜還有另外一面——戰(zhàn)隊老板、經(jīng)理與教練也可以借此了解選手們在比賽中的表現(xiàn)??雌饋?,OWL播客團隊也會很快把Power Rankings引入自己的現(xiàn)場解說與播報節(jié)目。
Spector提到,“IBM員工為我們的各位播主組織了一場會議,向他們解釋了Power Rankings的工作原理。大家給出了積極的反饋,對這套戰(zhàn)力排行榜充滿期待,也期待使用它降低工作強度并為粉絲們提供更好的解說服務(wù)。”
數(shù)據(jù)不會說謊,但由此得出的戰(zhàn)隊與選手排名真就毫無爭辯的余地嗎?這倒未必。
畢竟這里是電子競技賽場,每個人都可以有自己的觀點。
好文章,需要你的鼓勵
浙江大學團隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學、編程等任務(wù)上顯著提升推理準確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓練策略,成功解決了大型推理模型"話多且準確率低"的問題。實驗顯示,該方法在數(shù)學競賽題上將模型準確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓練提供了新思路。
南洋理工大學與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術(shù),實現(xiàn)AI視頻實時流式生成的重大突破。該技術(shù)通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開辟新可能。
華中科技大學研究團隊發(fā)現(xiàn),通過讓AI模型學習解決幾何問題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學習方法訓練多個AI模型。實驗結(jié)果顯示,幾何訓練在四個空間智能測試基準上都帶來顯著提升,其中最佳模型達到49.6%準確率,超越此前最好成績。這項研究揭示了基礎(chǔ)幾何知識對培養(yǎng)AI空間智能的重要價值。