在網絡上，沒人知道你是AlphaGo

策仙人

繼4：1擊敗李世石，將圍棋拉下神壇之后，AlphaGo再度將"魔爪"伸入到人類智慧的另一塊處女地：星際爭霸。對決尚未開始，角力的雙方已然開始造勢，人工智能愛好者們極力鼓吹AI的完美操作、完美運營，職業選手的粉絲們則叫囂戰略制敵、兵者詭道，勝負的荷爾蒙在屏幕上揮灑，然而這場戰斗的勝負更多只是噱頭，其背后所體現的人工智能的價值，才是電競選手、戰隊管理者、游戲開發商乃至普通玩家更應該關注的事情，或許，未來電子競技的終極形態DNA，就藏在AlphaGo身上。

DNA之一：基于數據統計的敵情

“知己知彼，百戰不殆”——這是《孫子？謀攻篇》里對真實戰爭中勝利要素的總結，而電子競技本身就是在模擬真實的戰爭，因此信息的收集同樣重要。

真實戰爭中的知己知彼，講究的是情報，諸葛亮之所以敢在曹軍面前把自己的城門大開，無人看守，就是抓住曹操生性多疑的弱點，又沒在城內“插眼”，最終錯失“上高地”的好時機。

而對于競技游戲這樣的虛擬戰爭，情報的搜集則更加細致，EG一般在什么時候清遠古野？老隊長的進攻/防守眼位習慣是哪里？諸如此類細節，雖小但關乎成敗。AlphaGo本質上是一臺高性能的云計算服務器，通過大量的數據收集整理，想要窺視對手的這類隱私則是易如反掌。但唯一遺憾的是，AlphaGo可能不是你一個人的，你看著對手習慣的插眼位置發笑，對手也盯著你開霧的時間點深思。

DNA之二：基于數據挖掘的真相

在競技體育飛速發展的今天，數據挖掘、陣容組建、隊伍訓練，已經成為掌控比賽勝負的三駕馬車。

以NBA為例，從1946年11月1日第一場NBA比賽開始，就引入了球員數據統計，雖然初期數據統計只有簡單的得分籃板助攻，但發展到今天，已經可以用包羅萬象來形容。而且NBA聯盟不僅擁有純粹的數據記錄，更有延伸的數據挖掘，例如真實命中率、二次助攻、PER值等綜合數據，從多維角度來分析一名球員的特點，不再單純的以“數字“論英雄，誰是數據刷子，誰是建隊基石，一目了然。

而對于電子競技項目來說，挖掘數字背后的價值更是意義重大。利用AlphaGo出色的數據統計與分析能力，可以輕易的對海量比賽數據進行處理，對于每位選手的數據進行精準挖掘。

刷錢快不代表你就是最強Carry，團戰輸出不足只證明你是團隊資源的吸血鬼；

擊殺多不代表你就是節奏魔王，拉不開裝備優勢那你只是執迷殺人無視局勢的家伙。

從當前電競賽事的數據挖掘來看，相對比較粗獷，普通玩家甚至某些專業人員仍然更為關注KDA（Kill，Death，Assist）等表象數據，聚光燈永遠聚集在數據突出的選手身上。但從未來發展的角度來看，這種淺顯的衡量標準必然要被淘汰，而誰能利用AlphaGo挖掘數據背后更多的真相，尋找到更多更具價值的選手，誰離勝利也將更近一步。

DNA之三：基于數據建模的預測

認知能力，常常被認為是人腦與電腦的根本差異，然而對于AlphoGo來說，依靠著蒙特卡洛樹結構所組建的神經網絡，基于大量高性能CPU的運算能力，其認知能力已經足以讓普通人刮目相看，可能唯一欠缺的，只剩自主意識了。

而即使是缺少自主意識的AI在競技類游戲比賽中同樣可以大發神威，尤其是MOBA類游戲中，眾所周知前期的陣容選擇與戰術安排都是需要指揮者深入思索才能作出的抉擇。而這也正是大部分中國戰隊的軟肋，從實際情況來看，版本理解不深刻、數據分析不到位、過于迷信經驗等都是造成這種情況的原因，但更多的其實就是對于游戲的認知不足。

還記得TI5決賽上，意氣風發的CDEC從敗者組一路殺入決賽對決EG，然而在Ban選上，卻被EG抓住了兩儀落不會老鹿的短板，盤盤放老鹿，然而當時的老鹿作為版本最強bug，又是每個隊都不能放的，面對對手的戰術放人，CDEC在沒有人可以給出更好針對方案的情況下，只能抱著試試看的態度強行選老鹿，然而打不出應有的優勢，只能接受“光榮”的失敗。

而對于AlphaGo來說，只要給予它正確的思維算法，依靠著強大的數據挖掘能力，它就可以為選手提供最優的Ban選方案。特別是在應對一些自己不熟悉的套路，通過對過去一段時間的數據分析和挖掘，AI能夠根據對手的Ban選抉擇，分析對手可能會存在的套路、體系，再針對性的提供Ban選方案。

DNA之四：基于數據模擬最強大的對手

在傳統競技體育的領域中，陪練一直是一個特殊而尷尬的角色，他們具有一流的水準，卻因為某些原因，只能擔當正牌選手的訓練對象，他們模仿盡可能多的打法，只為了讓正牌選手可以在訓練中提前感受比賽的氛圍，仿佛他面對的是賽場上勁敵的影子。

而作為同樣需要了解對手比賽風格的電子競技，陪練這一角色同樣必不可少，只是由于比賽載體由球館轉移到了電腦上，因此可以借助網絡，尋找適合的陪練對象。不論是天梯配對，還是線下邀約，亦或者是內部對抗，都能給隊伍帶來提升。然而，其缺陷也很突出，無法對于某一個對手進行針對性的訓練。因為電競操作的多變性，知名選手都有自己獨特的操作習慣，你很難找到與你競爭對手足夠相似的選手與隊伍。

但或許，具備深度學習能力的AlphaGo可以做到這一點。通過對比賽中選手操作數據的分析，可以在較短的時間周期里學習其操作方式、戰術特點，甚至是選手的廢操作也可以一并帶入。進而達到模仿對手的目的，成為一個實際意義上的影子對手。

如果某一位對手一直堪稱你的克星，10次交手或許難求一勝，那么在訓練中與他交手100次，1000次你總能找到戰勝他的辦法。

DNA之五：比瘋狂的電腦更瘋狂

在AlphaGo問世之前，我們也曾見過諸多水平層次不齊的電腦AI，以星際2為例，其自帶的AI盡管掌握了雙倍金錢、自帶開圖、APM無限制等諸多特權，卻仍然可以被一名入門級的星際玩家完虐。究其原因，戰術單一、兵種搭配死板、沒有應對方案是其死穴，因此在類似的競技類游戲中，人機對戰更像是一種雞肋，只為了向初學者示好。

然而一直以來，擁有一個完美的游戲AI，一直是各大游戲廠商的夢想，受困于現有游戲AI的限制，一些極具創意的游戲模式被舍棄。而這次，AlphaGo或許會讓美夢成真。

作為更智能、更強大的游戲AI，AlphaGo不僅可以執行基于游戲規則的行動，其對于數據強大的分析能力可以承載游戲設計者更多的創意，想想看，當你面對的AI不再是那個死板的暴兵狂魔，而是一個會見招拆招，偶爾還會給你憋大招的家伙，甚至可以像某個你仰慕已久的電競選手一樣與你對戰，那場景該多有趣。

DNA變革：重新定義電子競技

AlphaGo從被Deepmind創造出來的那一刻起，就被賦予了一個艱巨的使命：利用人工智能幫助人類站得更高。盡管在各大媒體的口中，它不過是個追求勝利、不擇手段的家伙，然而，人工智能本身并沒有任何過錯的，它借助計算機先天的儲存、運算優勢，力圖將人類生活的每個方面都可以變得更美好。就像是《超能陸戰隊》里，大白既可以成為一個戰斗力爆表的殺戮機器，也可以成為一個乖巧的醫療專家，一切的不同只是在于初心。

11年前，Sky一躍跳上冠軍舞臺時，那時的電競還是一片荒野，拼命就有收獲；

11年后，當解說臺都擺滿了數據表，現代的電競已是一座城池，專業+天賦，才會有勝利的機會。