>

參與者：美國和蘇聯(lián)。

• 策略：美國考慮了從外交談判到軍事入侵的選擇，而蘇聯(lián)必須決定是去除導(dǎo)彈還是升級對抗。
>回報
• ：避免核戰(zhàn)爭，保持全球形象和戰(zhàn)略性軍事定位。
柏林封鎖和空運(yùn)（1948–1949）：
• >

：西方盟友和蘇聯(lián)。 > >

：蘇維埃阻止了柏林將盟軍推開，而盟軍則必須在放棄城市或通過空中供應(yīng)城市之間做出決定。
• 的回報：控制柏林，表現(xiàn)出政治決心並影響歐洲的一致性。
• 當(dāng)然很難處理，但兩個“子遊戲”都比對整個冷戰(zhàn)更容易分析和發(fā)展反應(yīng)。他們有一組明確的球員，策略和回報有限，並且時間範(fàn)圍更明確。這使它們都更適用於遊戲理論分析。 在戰(zhàn)略AI的背景下，分析這些子遊戲?qū)堕_發(fā)能夠在復(fù)雜，動態(tài)環(huán)境中做出最佳決策的智能係統(tǒng)至關(guān)重要。
兩個玩家遊戲
• >兩個玩家遊戲只是兩個玩家之間的遊戲。例如，這可能是兩個國際象棋球員之間的比賽，或者回到我們的冷戰(zhàn)例子，即西方與東方。遊戲中只有兩個玩家簡化了分析，但仍然捕獲了基本的競爭或合作動力。遊戲理論中的許多結(jié)果都基於兩個玩家遊戲。

  零和遊戲

  零和遊戲是遊戲的一個子集，其中一個玩家的收益是另一個玩家的損失?？偟氖找姹３植蛔?，並且球員們正在直接競爭。

  nash平衡和最佳動作

  NASH平衡（NE）是一組策略，沒有球員可以通過單方面改變自己的策略來獲得額外的好處，假設(shè)其他玩家保持自己的策略不變。在這種狀態(tài)下，每個玩家的策略是對其他策略的最佳反應(yīng)，從而導(dǎo)致穩(wěn)定的結(jié)果，沒有球員有動力偏離。 例如，在遊戲搖滾紙剪輯（RPS）中，NE是所有玩家都會隨機(jī)玩搖滾，紙和剪刀的狀態(tài)，每個州都有相同的概率。如果您作為玩家選擇玩NE策略，則確保沒有其他玩家可以利用您的比賽，而在兩個玩家的零和遊戲中，可以證明您不會在期望中輸?shù)?，並且您可以做到的最糟糕的是均勻。

  但是，制定NE策略可能並不總是是最佳策略，尤其是如果您的對手以可預(yù)測的次級優(yōu)勢進(jìn)行比賽?？紤]與兩個玩家A和B的場景。如果播放器B開始更多地播放紙，那麼玩家A可以識別出來並增加其剪刀的頻率。但是，這種與A的偏差再次可能被B再次利用，這可能會改變並發(fā)揮更多的巖石。 有關(guān)戰(zhàn)略性AI

  的關(guān)鍵要點(diǎn)

  回顧遊戲理論概念，似乎子遊戲的想法對於戰(zhàn)略AI特別有用。在較大的上下文中找到可能更小，更易於分析遊戲的能力使應(yīng)用已知的解決方案和求解器變得更加容易。

  > 例如，假設(shè)您正在努力發(fā)展自己的職業(yè)生涯，這可能被歸類為無限的遊戲且難以“解決”，但突然間，您有機(jī)會談判新合同。這個談判過程為您的職業(yè)生涯提供了一個子遊戲的機(jī)會，對於使用遊戲理論概念的戰(zhàn)略AI來說，將更容易實(shí)現(xiàn)。

  的確，人類已經(jīng)在我們生活中創(chuàng)造了數(shù)千年的子遊戲。大約1500年前，我們在印度創(chuàng)造了現(xiàn)在被稱為國際象棋的起源。事實(shí)證明，國際象棋是AI擊敗的挑戰(zhàn)，但也使我們開始開發(fā)更成熟的工具和技術(shù)，這些工具和技術(shù)可以用於更複雜且困難的戰(zhàn)略狀況。

  遊戲中戰(zhàn)略性AI的簡短歷史

  

  >遊戲為開發(fā)戰(zhàn)略性AI提供了驚人的證據(jù)基礎(chǔ)。遊戲的封閉性質(zhì)使訓(xùn)練模型和開發(fā)解決方案技術(shù)比在開放式系統(tǒng)中更容易。遊戲明確定義；球員是已知的，收益也是如此。最大，最早的里程碑之一是Deep Blue，這是擊敗國際象棋世界冠軍的機(jī)器。

  早期里程碑：深藍(lán)色

  Deep Blue是IBM在1990年代開發(fā)的象棋超級計算機(jī)。正如序言中所述，它在1997年5月在六場比賽中擊敗了統(tǒng)治世界國際象棋冠軍加里·卡斯帕羅夫（Garry Kasparov），創(chuàng)造了歷史。深藍(lán)色利用專門的硬件和算法，能夠評估每秒2億個國際象棋位置。它將蠻力搜索技術(shù)與啟發(fā)式評估功能相結(jié)合，使其能夠比以前的任何系統(tǒng)更深入地搜索潛在的移動序列。使深藍(lán)色與眾不同的是它能夠快速處理大量位置，有效地處理國際象棋的組合複雜性並標(biāo)誌著人工智能的重要里程碑。 但是，正如加里·卡斯帕羅夫（Gary Kasparov）在接受萊克斯·弗里德曼（Lex Fridman）採訪時所指出的那樣，深藍(lán)色比其他任何事情都更像是一臺蠻力的機(jī)器，因此也許很難將其視為任何類型的智能。搜索的核心基本上只是反複試驗。說到錯誤，這比人類的錯誤要少得多，根據(jù)Kasparov的說法，這是難以擊敗的功能之一。

  > 複雜遊戲中的進(jìn)步

  ：alphago

  >在國際象棋深藍(lán)色勝利19年後，Google DeepMind的一支團(tuán)隊產(chǎn)生了另一個模型，這將有助於AI歷史上的特殊時刻。在2016年，阿爾法戈（Alphago）成為第一個擊敗世界冠軍GO球員李·塞多爾（Lee Sedol）的AI模型。 > GO是一款非常古老的棋盤遊戲，起源於亞洲，以其深厚的複雜性和大量可能的位置而聞名，遠(yuǎn)遠(yuǎn)超過了國際象棋。 Alphago將深層神經(jīng)網(wǎng)絡(luò)與蒙特卡洛樹搜索相結(jié)合，使其可以有效地評估位置和計劃移動。推斷時給出的alphago的時間越多，它的性能就越好。 > 在人類專家遊戲數(shù)據(jù)集上訓(xùn)練的AI

  通過自我玩法進(jìn)一步改進(jìn)。使Alphago與眾不同的是它可以處理GO的複雜性的能力，利用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)來實(shí)現(xiàn)以前認(rèn)為對AI掌握能力的域中的超人性能。

  >

  人們可能會爭辯說，鑑於其具有出色的評估董事會狀態(tài)和選擇動作的能力，因此alphago具有比深藍(lán)色更多的智能。從2016年對陣Lee Sedol的比賽中移動37是一個典型的例子。對於那些熟悉GO的人來說，這是第五線的肩膀，最初令人困惑的評論員，包括李·塞多爾本人。但是，正如後來變得很清楚的那樣，此舉是一場出色的戲劇，並展示了Alphago將如何探索人類玩家可能會忽略和無視的策略。

  >

  組合國際象棋和GO：alphazero

  > 一年後，Google DeepMind再次成為頭條新聞。這次，他們從Alphago中接受了許多學(xué)習(xí)，並創(chuàng)建了Alphazero，這更像是掌握國際象棋以及GO和Shogi的通用AI系統(tǒng)。研究人員能夠僅通過自我競爭和增強(qiáng)學(xué)習(xí)就可以在沒有人類知識或數(shù)據(jù)的情況下建立AI。與依靠手工評估功能和廣泛開放庫的傳統(tǒng)國際象棋引擎不同，Alphazero使用了深層神經(jīng)網(wǎng)絡(luò)和一種新穎的算法，將蒙特卡洛樹搜索與自學(xué)習(xí)結(jié)合在一起。

  >

  該系統(tǒng)僅從基本規(guī)則開始，並通過與自身玩數(shù)百萬遊戲來學(xué)習(xí)最佳策略。使Alphazero與眾不同的原因是它可以發(fā)現(xiàn)創(chuàng)造性和高效的策略，展示AI中的新範(fàn)式，該範(fàn)式利用自我學(xué)習(xí)而不是人工設(shè)計的知識。

  >

  整合速度和策略：Star Craft II

  > Google DeepMind團(tuán)隊繼續(xù)在AI領(lǐng)域的統(tǒng)治地位，將其重點(diǎn)轉(zhuǎn)移到了非常受歡迎的電腦遊戲《星際爭霸II》上。在2019年，他們開發(fā)了一個名為Alphastar2的AI，能夠?qū)崿F(xiàn)大師級比賽，並在競爭性排行榜上排名超過99.8％的人類球員。

  通過構(gòu)建為以前的AIS開發(fā)的一些技術(shù)，例如通過自我播放和深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的強(qiáng)化學(xué)習(xí)，該團(tuán)隊能夠製造出獨(dú)特的遊戲引擎。首先，他們使用有監(jiān)督的學(xué)習(xí)和人類游戲訓(xùn)練了神經(jīng)網(wǎng)。然後，他們將其用來播種另一種可以在多代理遊戲框架中對抗自己的算法。 DeepMind團(tuán)隊創(chuàng)建了一個虛擬聯(lián)盟，代理商可以探索彼此的策略，以及將獲得主導(dǎo)策略的獎勵。最終，他們將聯(lián)盟的策略結(jié)合在一起，成為一種超級戰(zhàn)略，可以對許多不同的對手和策略有效。用他們自己的話：

  >>>最終的字母代理由聯(lián)盟納什分佈的組成部分組成 - 換句話說，這是發(fā)現(xiàn)的策略最有效的混合物 - 在單個桌面GPU上運(yùn)行。 >

  >深探究pluribus和Poker

  > 我喜歡玩撲克，當(dāng)我在Trondheim生活和學(xué)習(xí)時，我們曾經(jīng)有一個每週的現(xiàn)金遊戲，這可能會變得非常激烈！戰(zhàn)略AI黯然失色的最後一個里程碑之一是撲克遊戲。具體而言，在最受歡迎的撲克形式之一中，6名玩家無限的德克薩斯州Hold’em。在此遊戲中，我們使用帶有52張卡片的常規(guī)卡片牌，並且該劇遵循以下結(jié)構(gòu)：>

  >

  preflop：

  >所有玩家都獲得了2張卡片（孔卡），只有他們自己才知道。

  >
  1. 觸摸： 3張卡片被繪製並朝上張開，以便所有玩家都可以看到它們。 >
  2. 轉(zhuǎn)彎：繪製另一張卡片並朝上放置。
  3. 河流：>繪製最後的第五張卡片並張開。
  4. >玩家可以使用桌子上的卡片，手上的兩個卡片來組裝5卡撲克手。對於每一輪比賽，玩家輪流下注，如果一個玩家下注，沒有其他人願意打電話。 儘管學(xué)習(xí)相當(dāng)簡單，但人們只需要了解各種撲克手的層次結(jié)構(gòu)，但是，儘管數(shù)十年來一直在進(jìn)行努力，但該遊戲被證明很難解決。

     >有多種因素導(dǎo)致難以解決撲克的困難。首先，我們有隱藏信息的問題，因為您不知道其他玩家擁有哪些卡。其次，我們有一個具有許多玩家的多人遊戲設(shè)置，每個額外的播放器都會以指數(shù)方式增加可能的交互和策略。第三，我們有無限制的投注規(guī)則，該規(guī)則允許一個複雜的投注結(jié)構(gòu)，其中一個玩家可以突然決定下注他的整個堆棧。第四，由於孔卡，社區(qū)卡和投注序列的組合，我們具有巨大的遊戲樹複雜性。此外，由於卡的隨機(jī)性，虛張聲勢和對手建模！

     >直到2019年，一些研究人員Noam Brown和Tuomas Sandholm才終於破解了代碼。在科學(xué)上發(fā)表的一篇論文中，他們描述了一個小說的撲克AI - pluribus - 在6名玩家無限制的德克薩斯州Hold'em中擊敗了世界上最好的球員。撲克手，兩個實(shí)驗清楚地表明了pluribus的主導(dǎo)地位。

     > 在第一個實(shí)驗中，Pluribus與5個人類對手進(jìn)行了比賽，平均獲勝率為48 Mbb/game，標(biāo)準(zhǔn)偏差為25 Mbb/game。 （MBB/遊戲代表每場比賽Milli Big Blind，每次玩1000場比賽將贏得多少個大百葉窗。）48 MBB/遊戲被認(rèn)為是非常高的勝利率，尤其是在精英撲克玩家中，這意味著Pluribus比Pluribus強(qiáng)人類對手。

     在第二個實(shí)驗中，研究人員有5個版本的Pluribus對1人進(jìn)行比賽。他們設(shè)置了實(shí)驗，以使2個不同的人每人在5臺機(jī)器上播放5000手。 Pluribus最終以平均32 MBB/遊戲擊敗人類，標(biāo)準(zhǔn)錯誤為15 MBB/遊戲，再次顯示出其戰(zhàn)略優(yōu)勢。
     1. 使用兩種不同的算法來評估移動。他們將首先使用一種所謂的“藍(lán)圖策略”，該策略是通過使用一種稱為Monte Carlo反事實(shí)遺憾最小化的方法對其進(jìn)行對抗而創(chuàng)建的。這種藍(lán)圖策略將在第一輪投注中使用，但是在隨後的投注賽中，Pluribus進(jìn)行了實(shí)時搜索以找到更好的更精細(xì)的策略。 為了使其實(shí)時搜索算法在計算上更加有效，他們將使用限制搜索並評估對手可能選擇播放的4種不同可能的策略。首先，他們將評估每種策略的兩個策略。此外，他們只會評估對手的四種不同策略，包括原始的藍(lán)圖策略，一種偏向折疊的藍(lán)圖策略，一種偏見的藍(lán)圖策略以及偏向提升的最終藍(lán)圖策略。
     >他們還使用了各種抽象技術(shù)來減少可能的遊戲狀態(tài)數(shù)量。例如，由於9高直線與8高直的直線相似，因此可以以類似的方式查看。
  >此外，pluribus還通過其彈奏的任何手來平衡其策略，它也將考慮在這種情況下它可能擁有的其他可能的手，並評估它將如何踢手，以便最後一場比賽將是保持平衡，因此很難反駁。
  6. >從pluribus中有很多有趣的觀察結(jié)果，但最有趣的是，它並沒有改變與不同的對手的作用，而是製定了一種強(qiáng)大的策略，該策略對各種玩家有效。由於許多撲克玩家認(rèn)為他們必須將自己的比賽調(diào)整為各種情況和人，因此Pluribus向我們展示了這是不需要的，甚至可能不是最佳的，因為它是如何擊敗其與之抗衡的所有人類的。
  >在我們簡短地涉足遊戲理論中，我們指出，如果您在兩人零和遊戲中使用NE策略，則可以保證您不會在期望中輸?shù)?。但是，對於?玩撲克這樣的多人遊戲，沒有這樣的保證。 Noam Brown推測，可能是像撲克這樣的遊戲的對抗性，這仍然使嘗試通過NE策略對其進(jìn)行處理。相反，在像風(fēng)險這樣的遊戲中，玩家可以進(jìn)行更多合作，無法確保使用NE策略，因為，如果您與6個人一起玩風(fēng)險遊戲，那麼如果您的5個對手決定抓緊夥伴，您將無能為力在你身上殺死你。

  7. 評估戰(zhàn)略AI 的趨勢

     >總結(jié)遊戲中戰(zhàn)略性AI的歷史，我們看到了明顯的趨勢。這些遊戲正在緩慢但肯定變得越來越接近人類每天發(fā)現(xiàn)的現(xiàn)實(shí)戰(zhàn)略狀況。

     >首先，我們正在從兩個玩家轉(zhuǎn)移到多人遊戲設(shè)置。從兩人遊戲中的最初成功到6-玩家撲克等多人遊戲。其次，我們看到使用隱藏信息的遊戲掌握的掌握有所增加。第三，我們還看到掌握更多隨機(jī)元素的掌握。

     >

     隱藏的信息，多人遊戲設(shè)置和隨機(jī)事件是人類戰(zhàn)略互動的常態(tài)，因此掌握這些複雜性是實(shí)現(xiàn)可以在現(xiàn)實(shí)世界中導(dǎo)航的更通用的超人戰(zhàn)略AI的關(guān)鍵。

     大型語言模型和戰(zhàn)略性AI

     >我最近進(jìn)行了一個實(shí)驗，讓LLMS互相發(fā)揮董事會風(fēng)險。我對實(shí)驗的目的是評估LLM在戰(zhàn)略環(huán)境中的表現(xiàn)，更少的開箱即用。但是，給代理商提供了很多詳細(xì)的提示，以提供正確的環(huán)境，但也許毫不奇怪，LLM的性能相當(dāng)平庸。

     > >您可以在此處找到有關(guān)該實(shí)驗的文章：
     >在風(fēng)險遊戲設(shè)置中探索LLM的戰(zhàn)略能力

     >總結(jié)了實(shí)驗中的一些關(guān)鍵發(fā)現(xiàn)，當(dāng)前一代的LLMS與強(qiáng)化和認(rèn)可獲勝的動作等基本戰(zhàn)略概念鬥爭。當(dāng)他們這樣做在戰(zhàn)略上是有益的，他們也無法消除其他玩家。

     >上面的實(shí)驗表明，即使我們看到LLM的快速改善，它們?nèi)匀蝗狈?zhàn)略推理的複雜性。鑑於他們的一般培訓(xùn)數(shù)據(jù)以及如何構(gòu)建它們，這並不令人驚訝。 > 那麼，他們?nèi)绾芜m應(yīng)圍繞戰(zhàn)略AI的討論？要了解這一點(diǎn)，我們需要了解LLM的真正出色。 LLM的最有希望的功能也許是它們消化和產(chǎn)生大量文本的能力。現(xiàn)在，也有了多模型，視頻和音頻。換句話說，LLM非常適合與人類和其他背景下的現(xiàn)實(shí)世界互動。最近，META的AI團(tuán)隊能夠?qū)⒄Z言模型的一般語言能力與戰(zhàn)略引擎的戰(zhàn)略見解相結(jié)合。

     案例研究：西塞羅和外交

     外交遊戲是2至7玩家策略遊戲，Meta將其描述為風(fēng)險，撲克和電視節(jié)目倖存者之間的混合。球員們從歐洲地圖上開始。 1900年，目的是獲得對大多數(shù)供應(yīng)中心的控制權(quán)。具體而言，玩家旨在控制34個供應(yīng)中心中的18個以取得勝利。通過這樣做，一名球員有效地主導(dǎo)著地圖，代表了在第一次世界大戰(zhàn)之前的那個時期，代表了其國家在歐洲的上升。

     與我們迄今為止討論的其他許多遊戲不同的是，它依賴玩家之間的談判。這是一種比撲克更合作的遊戲形式。每個玩家在每回合之前都使用自然語言與其他玩家進(jìn)行交流，他們計劃彼此盟友。準(zhǔn)備工作完成後，所有玩家都會同時揭示他們的計劃，並執(zhí)行回合。這種類型的遊戲顯然類似於實(shí)際的外交和現(xiàn)實(shí)生活中的談判比大多數(shù)其他棋盤遊戲更接近，但是由於具有自然語言組成部分，AI很難掌握。

     >在2022年，META的AI團(tuán)隊開發(fā)Cicero時發(fā)生了變化。使用語言建模方面的最新進(jìn)步，再加上戰(zhàn)略模塊，Cicero是一種遊戲引擎，能夠取得超過“人類玩家的平均得分的兩倍，並排名前10％的參與者，他們玩了超過一場比賽。”?正如Meta所描述的那樣，他們的模型能夠產(chǎn)生策略的對話並產(chǎn)生對話Aware-trategy。 Cicero與其他戰(zhàn)略AI模型之間的差異

     >外交與我們最近有戰(zhàn)略性AI進(jìn)步的其他一些遊戲之間存在一些關(guān)鍵差異。最值得注意的是遊戲的合作性質(zhì) - 與其他遊戲的對抗性相比，以及它使用的開放式自然語言格式。我認(rèn)為這些差異使遊戲更像是真正的人類互動，但是它也對研究如何訓(xùn)練算法的算法構(gòu)成了限制。 與Pluribus和Alphazero不同，Cicero不是主要通過自我播放和增強(qiáng)學(xué)習(xí)來訓(xùn)練的。取而代之的是，元小組使用了一個數(shù)據(jù)集，其中包含超過125,000場遊戲和40,000,000條消息來幫助訓(xùn)練該算法。他們認(rèn)為，鑑於遊戲的談判，說服和建立信任的方面，如果讓AI通過自我玩法與自己進(jìn)行談判，他們可能會看到奇怪的行為，並且可能不會捕捉人類互動的本質(zhì)。引用他們的研究文章：

     “……我們發(fā)現(xiàn)，在2P0S版本中實(shí)現(xiàn)超人性能的自我遊戲算法在與潛在人類盟友的規(guī)範(fàn)和期望不一致的遊戲中的遊戲中表現(xiàn)不佳。 “

     但是，使用強(qiáng)化學(xué)習(xí)來訓(xùn)練一部分策略引擎，特別是用於訓(xùn)練西塞羅的價值功能 - 它需要預(yù)測其行動的實(shí)用性。研究人員使用了修改版的行為克隆PIKL，該版本旨在最大化行動中的預(yù)期效用，同時最大程度地減少了與人類行為的差異。同時保持與人類行為的差距。

     上述外交特徵突出了一些與創(chuàng)建可以在現(xiàn)實(shí)世界中人類環(huán)境中運(yùn)作的戰(zhàn)略AI相關(guān)的重要問題，並且在我們評估戰(zhàn)略AI將如何發(fā)展時，需要考慮到。

     戰(zhàn)略AI

     的未來

     但是，預(yù)測未來總是很棘手的，但是一種方法是使用當(dāng)前的趨勢並推斷為未來的情況。下面，我們研究了一些與我們以前的討論密切相關(guān)的主題，並評估它們?nèi)绾斡绊憫?zhàn)略AI的未來。

     一般的符號策略引擎與專用模塊 如果我們迄今為止檢查戰(zhàn)略性AI發(fā)動機(jī)的軌跡，那麼讓我們引起我們的一件事是每個遊戲引擎的專業(yè)化。即使體系結(jié)構(gòu)可能相似 - 就像Alphazero學(xué)習(xí)如何玩多個不同的遊戲一樣，AI仍然可以在每個特定遊戲中玩數(shù)百萬遊戲。對於國際象棋而言，Alphazero打了4400萬場比賽，對於1.3億場比賽！ ?自然的問題是，我們是否應(yīng)該嘗試構(gòu)建更多的通用策略引擎或繼續(xù)專注於特定任務(wù)的專業(yè)模塊？

     >一般的戰(zhàn)略引擎將旨在理解和應(yīng)用不同情況下的廣泛戰(zhàn)略原則。也許通過創(chuàng)建捕獲人類戰(zhàn)略互動的許多方面的遊戲，AI可以通過對抗自己的遊戲來學(xué)習(xí)並製定適用於現(xiàn)實(shí)情況的策略。這種方法可以幫助AI概括其學(xué)習(xí)，從而在各種情況下有用。另一方面，專門的模塊是為特定場景或任務(wù)設(shè)計的AI系統(tǒng)。我們可以設(shè)想我們可以通過組合多個專業(yè)代理來創(chuàng)建一般的戰(zhàn)略AI。 AI代理可以在每個特定領(lǐng)域進(jìn)行訓(xùn)練，從而提供最需要的深厚專業(yè)知識。儘管此方法可能會限制AI概括的能力，但它可以確保在特定域中的高性能，這可以更快地導(dǎo)致實(shí)際應(yīng)用。

     鑑於我們在合作環(huán)境中使用AI進(jìn)行自我播放的問題- 正如我們在外交所觀察到的那樣- 當(dāng)前的趨勢似乎對不同的戰(zhàn)略情況有利於專門的模塊，在不久的將來，我們似乎很可能會專業(yè)化不同上下文的戰(zhàn)略模塊。但是，人們還可以設(shè)想一個混合系統(tǒng)，我們使用通用策略引擎來提供有關(guān)更廣泛主題的見解，而專門的模塊則應(yīng)對複雜的特定挑戰(zhàn)。這種平衡可以使AI系統(tǒng)在適應(yīng)特定情況的細(xì)節(jié)的同時應(yīng)用一般的戰(zhàn)略見解。

     llms橋接戰(zhàn)略模塊和現(xiàn)實(shí)世界應(yīng)用之間的差距 大型語言模型已經(jīng)改變了AI與人類語言互動的方式，提供了一種將戰(zhàn)略AI模塊與現(xiàn)實(shí)世界用例相關(guān)聯(lián)的強(qiáng)大方法。 LLM擅長理解和生成類似人類的文本，使其成為中介，可以將現(xiàn)實(shí)世界的情況轉(zhuǎn)化為策略引擎可以處理的結(jié)構(gòu)化數(shù)據(jù)。正如Meta的Cicero所看到的那樣，LLM與戰(zhàn)略推理相結(jié)合，使AI可以理解人類的交流，談判和計劃行動。

     鑑於當(dāng)前的多模型模型的趨勢，LLM越來越能夠不僅將文本，而且任何現(xiàn)實(shí)世界的上下文轉(zhuǎn)換為機(jī)器可讀語法。這使得模型更具用作中介。 >如果我們建立在Cicero開發(fā)的想法的基礎(chǔ)上，我們還可以設(shè)想針對特定任務(wù)（例如外交溝通）進(jìn)行微調(diào)模型，也許是通過對歷史外交通信的模型進(jìn)行微調(diào)，然後訓(xùn)練單獨(dú)的策略引擎以進(jìn)行培訓(xùn)採用最佳動作。

     人類協(xié)作：Centaur Model

     >

     戰(zhàn)略AI的未來不僅僅是機(jī)器接管決策；在過渡期間，這也是關(guān)於人類和人工智學(xué)的有效共同努力的。這種夥伴關(guān)係通常稱為“半人馬模型”，將人類直覺與AI的計算能力相結(jié)合。在這種模型中，人類帶來了創(chuàng)造力，道德判斷和靈活性，而AI系統(tǒng)則提供了強(qiáng)大的數(shù)據(jù)處理和戰(zhàn)略原則的一致應(yīng)用。該模型的現(xiàn)實(shí)世界示例包括人類團(tuán)隊表現(xiàn)優(yōu)於人類或單獨(dú)工作的機(jī)器的領(lǐng)域。例如，在國際象棋中，加里·卡斯帕羅夫（Garry Kasparov）提倡與AI合作的想法，將人類戰(zhàn)略見解與AI的精確計算相結(jié)合。直到程序開始變得非常好，直到程序開始變得非常好，Centaur模型似乎在國際象棋中效果很好。到那時，人類的貢獻(xiàn)不值得，在最壞的情況下有害。 但是，在其他更開放式和現(xiàn)實(shí)世界的領(lǐng)域，半人馬模型可能是一個不錯的選擇。只需考慮人類與現(xiàn)代LLM的合作有可能大大提高生產(chǎn)率的潛力。

     這種協(xié)作方法通過將人類判斷力與AI分析相結(jié)合，改善了決策，可能會導(dǎo)致更明智和平衡的結(jié)果。它可以快速適應(yīng)新的和意外的情況，因為人類可以在AI支持的情況下實(shí)時調(diào)整策略。

     現(xiàn)實(shí)世界的應(yīng)用程序

     >

     遊戲一直是開發(fā)戰(zhàn)略性AI的一個很好的測試基礎(chǔ)，但真正的影響來自將這些進(jìn)步應(yīng)用於現(xiàn)實(shí)世界中的挑戰(zhàn)。下面我們重點(diǎn)介紹了一些示例。

     在過去幾年中，一個巨大發(fā)展的領(lǐng)域是自動駕駛汽車，以及他們?nèi)绾问褂脩?zhàn)略AI安全地駕駛道路。他們必須預(yù)測並回應(yīng)其他駕駛員，行人和騎自行車的人的行為。例如，一輛自動駕駛汽車需要預(yù)見行人是否即將過馬路，或者是否會意外地改變車道。 >就在今年，Waymo（一家開發(fā)自動駕駛汽車和乘車服務(wù)的公司）開始在美國三個城市使用完全自主出租車：鳳凰城，亞利桑那州，加利福尼亞州的洛杉磯和舊金山。在接下來的幾年中 在金融市場中，AI驅(qū)動的交易系統(tǒng)分析了大量數(shù)據(jù)以做出投資決策。這些系統(tǒng)考慮了其他市場參與者的可能行動，例如交易者和機(jī)構(gòu)預(yù)測市場變動。他們使用戰(zhàn)略推理來執(zhí)行最大收益的交易，同時最大程度地減少風(fēng)險，通常在高度波動的環(huán)境中。 AI系統(tǒng)還通過考慮供應(yīng)商，競爭對手和客戶的行動來優(yōu)化供應(yīng)鏈。他們可以根據(jù)預(yù)期的需求和競爭對手的行為來戰(zhàn)略性地調(diào)整生產(chǎn)計劃，庫存水平和物流。例如，如果競爭對手有望推出新產(chǎn)品，AI可以建議提高庫存水平以滿足潛在需求的增加。戰(zhàn)略AI也用於有效地管理能量分佈。智能電網(wǎng)採用AI來預(yù)測消費(fèi)模式並相應(yīng)調(diào)整供應(yīng)。他們考慮消費(fèi)者如何根據(jù)定價信號或環(huán)境因素來改變其使用情況。 AI從戰(zhàn)略上分配資源來平衡負(fù)載，防止中斷和整合可再生能源。

     上面的示例清楚地表明瞭如何將戰(zhàn)略性AI集成到各個行業(yè)和領(lǐng)域。通過考慮他人的行動，這些AI系統(tǒng)做出明智的決策，以優(yōu)化結(jié)果，提高效率並經(jīng)常提供競爭優(yōu)勢。隨著戰(zhàn)略性AI的繼續(xù)改善，這些系統(tǒng)也將會改善，我們也可能會看到它們在許多其他領(lǐng)域的出現(xiàn)。

     結(jié)論

     自從Deep Blue擊敗Garry Kasparov以來，戰(zhàn)略AI已經(jīng)走了很長一段路。從掌握複雜的棋盤遊戲到進(jìn)行類似人類的談判，AI系統(tǒng)越來越表現(xiàn)出戰(zhàn)略性的推理能力。 在本文中，我們研究了戰(zhàn)略AI的基礎(chǔ)概念，強(qiáng)調(diào)了遊戲理論的重要性以及如何將領(lǐng)域的某些概念應(yīng)用於戰(zhàn)略AI。我們還研究了專門的AI系統(tǒng)如何通過專注於狹窄的域和廣泛的自我播放來在特定遊戲中取得超人的性能。這就提出了一個問題，即戰(zhàn)略AI的未來是否在於開發(fā)能夠更廣泛應(yīng)用或繼續(xù)使用針對特定任務(wù)量身定制的專業(yè)模塊的一般符號戰(zhàn)略引擎。 正如我們在西塞羅（Cicero）所看到的那樣，語言模型也可能在戰(zhàn)略AI的空間中擁有未來。來自O(shè)penAI，Anthropic和Meta等提供商的新模型比以往任何時候都更容易將這些工具集成到自主代理中，這些工具可以使用它們將真實(shí)世界轉(zhuǎn)化為AI Systems可以處理的結(jié)構(gòu)化數(shù)據(jù)。 但是，可以駕駛現(xiàn)實(shí)世界複雜性的通用戰(zhàn)略AI的旅程才剛剛開始。在開發(fā)可以跨越領(lǐng)域，適應(yīng)不可預(yù)見的情況並將道德考慮的系統(tǒng)推廣到其決策過程中的系統(tǒng)中，挑戰(zhàn)仍然存在。

     感謝您的閱讀！

     每當(dāng)我發(fā)表新文章時，都想通知>

     >嗎？ ??在這裡訂閱我的新聞通訊??。它是免費(fèi)的，您可以隨時取消訂閱！

     >

     >

     如果您喜歡閱讀這篇文章，並且想從我這裡訪問更多內(nèi)容/或通過https://www.ekneconsulting.com/訪問我的網(wǎng)頁，以探索我提供的一些服務(wù)。不要猶豫，通過電子郵件[電子郵件受保護(hù)]

     >通過電子郵件聯(lián)繫

     參考

     1. Lex Fridman。 （2019年10月27日）。 Garry Kasparov：國際象棋，深藍(lán)色，AI和普京| Lex Fridman播客＃46 [視頻文件]。 Youtube. https://youtu.be/8rva0thwuww?si = 1ercnwlan4myok9w
     Vinyals，O。 ，Babuschkin，I.，Czarnecki，W.M。使用多機(jī)構(gòu)增強(qiáng)學(xué)習(xí)，Starcraft II中的
     2. 等人自然575，350–354（2019）。 https://doi.org/10.1038/s41586-019-1724-z > https://deepmind.google/discover/blog/alphastar-mastering-the-real time-strategy-game-starcraft-ii/
     > Brown等。 （2019年8月30日）。多人撲克的超人AI。
     3. Science 365，885–890，（2019）。
     4. Lex Fridman。 （2022年12月6日）。諾阿姆·布朗（Noam Brown）：撲克中的人工智能和戰(zhàn)略談判遊戲中的人類| Lex Fridman播客＃344 [視頻文件]。 Youtube. https://youtu.be/2ohh4acljqs?si = ave_esb42gngiprg > meta基本AI研究外交團(tuán)隊（公平）?
     等，
     人類級別的比賽在>外交遊戲中，通過將語言模型與戰(zhàn)略推理相結(jié)合。
     6. 科學(xué)。 > 378，1067 1074（2022）.doi：10.1126/science.ade.ade9097， https://noambrown.github.io/papers/22-science-diplomacy-tr.pdf > David Silver等。 ，一種通用的強(qiáng)化學(xué)習(xí)算法，掌握了國際象棋，shogi並通過自我播放。 AAR6404 https://storage.googleapis.com/deepmind-media/deepmind.com/blog/alphazero-shedding-new-light-new-new-new-chess-shog-ang-ang-and-go/alphazero_preprint.pdf >