
Künstliche Intelligenz gegen Mensch: DeepMind AlphaStar
Inhaltsverzeichnis
AlphaStar – geschaffen um Menschen zu besiegen.
Google hat es erneut auf Menschen abgesehen. Wir wurden schon in Januar (erneut) von Maschinen geschlagen. Was AlphaStar, eine künstliche Intelligenz für das Videospiel StarCraft 2, mit den Profi-Spielern TLO und MaNa anstellte, grenzte fast an Demütigung. Blizzard (die Publisher des Spiels StarCraft 2) und DeepMind (eine Tochterfirma von Google) kündigten Mitte 2019 an, dass das Projekt den nächsten Schritt gehen wird.
Im Jahre 2019 sorgt es kaum mehr für Überraschung, wenn Computer bestimmte Tätigkeiten viel effizienter, präziser und schneller erledigen können als ihre menschlichen Erschaffer. Dies ist der treibende Grundgedanke hinter Industrie 4.0. Heute können innovative Softwarelösungen Flugzeuge landen1, Krebs diagnostizieren2 oder an der Börse handeln3. Es existiert mittlerweile ein spannender Wettbewerb zwischen IT-Firmen: darum wer künstliche Intelligenz am effektivsten einsetzen und komplexe Aufgabenstellungen dadurch lösen wird. Wer diesen Trend beobachten möchte, kann zum Beispiel einen Blick in die Branche des autonomen Fahrens werfen — Stichwörter: Tesla, Uber, Google.
Wie gelingt es uns aber, die Qualität eines Algorithmus auf den Prüfstand zu stellen? Die einzigen Referenzen, auf die sich berufen werden kann sind die Leistungen von Menschen. Dadurch entsteht für die führenden Unternehmen der Branche der Anreiz, diese mit ihren Algorithmen zu schlagen. Schließlich wird sich die künstliche Intelligenz nur dann etablieren, wenn sie die Durchführung einer Aufgabe „besser“ meistert als ihre menschliche Konkurrenz4. Beim autonomen Fahren wird das zum Beispiel indirekt durch Unfallstatistik verglichen5. Ein direkter Vergleich zwischen Mensch und Maschine bleibt trotzdem die zuverlässigste Methode. Aus diesem Grund kommt es häufig vor, dass Unternehmen Profis gegen ihre Algorithmen antreten lassen. So ließ das israelische Unternehmen LawGeex Anfang 2018 sein gleichnamiges Produkt (eine Art KI-Anwalt) gegen 20 weitere prominente Anwälte antreten und hat diese gewonnen67. Google’s DeepMind hat sich auch für einen ähnlichen Ansatz entschieden: direkte Herausforderung von Profi-Spielern.
Was ist StarCraft 2?
StarCraft 2 ist ein Computerspiel der Firma Blizzard und gehört zu dem Genre „Real Time Strategy“ (RTS). Dabei müssen die Spieler strategische Entscheidungen treffen. Es geht hauptsächlich darum, zur Verfügung stehende Ressourcen zu sammeln und diese so effizient wie möglich zu nutzen. Historisch gesehen geht es in einem RTS-Spiel um den Aufbau und Steuerung einer Armee. Heute beinhaltet das Genre auch zahlreiche politik- und wirtschaftsbezogene Spiele.
StarCraft 2 und ähnliche Echtzeit-Strategiespiele haben grundsätzlich zwei Techniken, die beherrscht werden müssen. Macro (Macroeconomics) beschreibt die wirtschaftliche Vorgehensweise eines Spielers. Dazu gehören Entscheidungen wie die Build Order. In dem Bereich beschäftigen sich die Spieler mit der Frage: Wann baue ich welche Gebäude / Einheiten und erforsche neue Technologie? Die zweite Disziplin nennt sich Micro (Micromanagement). Hier beschäftigen sind die Spieler damit, ihre einzelnen Einheiten zu managen.
Was ist AlphaStar?
Googles DeepMind entwickelte eine künstliche Intelligenz, die darauf spezialisiert ist, StarCraft 2 zu spielen. Was sich zunächst wie eine Spielerei in großen Dimensionen anhört, ist ein großangelegtes Forschungsprojekt. DeepMind erhofft sich, durch das Projekt neue Erkenntnisse im Bereich Modellierung komplexer Probleme für maschinelles Lernen zu erlangen.8 Maschinelles Lernen kommt Beispielsweise bei Sprach- und Texterkennung, selbstständiges erkennen von Spam-Mails oder autonomes Fahren zum Einsatz
Die Funktionsweise der AlphaStar
Für die Entwicklung der AlphaStar wurden auf der Metaebene zwei verschiedene Methoden angewendet:
- Deep Learning
- Evolutionäre Algorithmen
AlphaStar & Deep Learning
Die Aufgabe dieses Moduls ist die Informationsanalyse. Dabei bezieht sich AlphaStar auf historische Ergebnisse ähnlicher Events (Spielgeschehnisse). Deep Learning Algorithmen kommen in Klassifizierungsaufgaben (Objekt- / Gesichtserkennung) oder Vorhersageaufgaben (Marktvorhersage, Vorhersagen über Bevölkerungswachstum) zum Einsatz.
Was bei den aktuellen KI-Hype untergeht, ist die Tatsache, dass Deep Learning Algorithmen (auf Metaebene) einfache mathematische Funktionen sind (f(x) = y). Was „neu“ ist: die mathematische Funktion muss nicht von einem Analysten / Spezialisten festgelegt und in Code gemeißelt werden. Durch die Datenanalyse kann der Computer selbstständig Zusammenhänge erkennen und eine passende Funktion extrapolieren. Benötigt werden demnach für eine Deep Learning Algorithmus große Mengen an Beispieldaten und eine Schnittstelle, die diese Daten analysiert. Diese großen Mengen an Daten nennen sich übrigens Big Data.
AlphaStar & Evolutionäre Algorithmus
Dieses Modul nimmt die Vorhersage-Daten des Deep Learning Algorithmus entgegen und entscheidet sich davon ausgehend für weiteres Vorgehen. Das Gesamte Verhalten AlphaStars wird in diesem Modul bestimmt.
Beim Ansatz „Evolutionäre Algorithmen“ werden einem Algorithmus mehrere Interaktionsmöglichkeiten und ein bestimmtes mathematisch ausdrückbares Ziel vorgegeben. Der Algorithmus kombiniert die verschiedenen Interaktionsmöglichkeiten und versucht die bestmögliche Lösung zu finden. Bei der Erstellung der Kombination der Interaktionen wird auf Evolutionstheorien zurückgegriffen (z.B. Überleben der Stärkste, Populationsgrößen etc.) – daher stammt der Name. Evolutionäre Algorithmen werden für Optimierungsaufgaben verwendet.
Die Grenzen der AlphaStar
Es steht außer Frage, dass ein Computer, welcher mehrere Millionen Berechnungen pro Sekunde erledigen kann, den Menschen in diesem Bereich weit überlegen ist. In einem „Real Time Strategy“ Spiel wie StarCraft geht es primär darum, seine zur Verfügung stehende Ressourcen geschickt einzuteilen. Zu diesen Ressourcen gehört auch die begrenzte kognitive Kapazität eines Spielers. Diese Kapazität drückt sich in Form von Aufmerksamkeit aus – und damit zusammenhängend, ist die benötigte Zeit. Ein Computer, der in Mikrosekundenbereich Informationen auswertet und Entscheidungen trifft, kann Aufgaben viel besser priorisieren. Außerdem kann ein Computer Eingaben in einer unmenschlichen Geschwindigkeit und Präzision erledigen. Deswegen wurden von DeepMind einige wichtige Handicaps einprogrammiert.
Reaktionszeit
Die Reaktionszeiten der AlphaStar sind künstlich auf 350 Millisekunden erhöht. Das bedeutet, dass AlphaStar auf ein aufgetretenes Event erst nach 350 Millisekunden reagiert. Die Gamer Trainings Webseite aim400kg gibt für Profi-Spieler eine gewöhnliche Reaktionszeit von 140 bis 240 Millisekunden an.9 Die 140 ms Marke knacken allerdings nur wenige Spieler, zum Beispiel KennyS (G2) oder JW (fnatic)..1011 Die beiden Profispieler sind allerdings eher in der First Person Genre vertreten und spielen professionell Counter Strike.
Actions per minute (APM)
Aktionen pro Minute ist eine Metrik für Spiele. Diese drückt aus, wie viele Aktionen ein Spieler pro Minute ausführen kann. AlphaStars übermenschliche Ausführungsgeschwindigkeit ist im Rahmen dieses Projekts drastisch verlangsamt worden.
Die durchschnittlichen Aktionen pro Minute (APM) der AlphaStar betrug um die 280 APM. Fast 5 Aktionen pro Sekunde hört sichmöglicherweise viel an, sein menschlicher Gegenspieler MaNa hatte allerdings 390 APM und TLO sogar 678 APM12. Zeitweise war TLOs Durchschnitts-APM um die 840.13 Es muss hier aber auch gesagt werden, dass durchschnittliche APM allein nicht aussagekräftig ist. Wichtig sind die Spitzenwerte und Anteil der nützlicher APM. DeepMind gibt zu, dass die Aktionen der AlphaStar präziser sind als die eines Menschen, die nicht nützlichen (gespammten) Aktionen sind dennoch vorhanden. Die Spitzen-APM der AlphaStar betrug nicht mehr als 600, was für menschliche Profispieler definitiv erreichbar sind14. TLO, einer der Gegner von AlphaStar hatte Zeitweise einen APM-Wert, der zwischen 1500 und 2200 schwankte.15
Showdown – TLO & MaNa vs AlphaStar
Der erste Gegner der AlphaStar ist TLO. TLO ist aus Deutschland und ist in 1990 geboren. Der seit dem Anfang des Spiels (2010) aktive Profispieler besetzt beim Verfassen dieser Artikel den Weltrang Platz 21.16
In StarCraft gibt es drei sogenannte „Rassen“. Die Rasse, welches TLO hauptsächlich spielt, ist Zerg. AlphaStar konnte jedoch zum Zeitpunkt des Wettbewerbs nicht gegen Zerg spielen, weshalb der Profispieler die Rasse Protoss spielen musste. Die Behauptung, dass TLO dadurch ein drastisches Handicap hatte, würde verständlicherweise wie eine billige Entschuldigung dafür wirken, dass AlphaStar gewinnen konnte. Es ist aber üblicher Standard, dass Profispieler auch die anderen beiden Rassen sehr gut beherrschen müssen. Ein Beispiel dafür ist der Spieler Serral, der ebenfalls hauptsächlich die Rasse Zerg spielt. Zwischen 3. bis 15. Dezember 2018 fand jährliche finnische Starcraft 2 Turniere statt, bei dem Serral als Terran spielte und das Turnier gewann.1718
Dennoch muss TLO ein Handicap zugesprochen werden. In StarCraft eine andere Rasse zu spielen ist vergleichbar damit, beim Fußball ein Feldspieler ins Tor zu stellen. Es ist zwar immer noch das gleiche Spiel, die Tätigkeit als Torwart benötigt allerdings ganz andere Skillsets.
Nach dem Sieg gegen TLO trat AlphaStar gegen einen Protoss-Spieler an: MaNa. MaNa ist TLOs Teamkamerad und belegte zur gleichen Zeit Weltrank Platz 24.19
TLO und MaNa haben gegen unterschiedliche AlphaStar Versionen gespielt. TLO spielte gegen AlphaStar Mark 1, während MaNa gegen AlphaStar Mark 2 spielte. Dieser wurde eine Woche länger trainiert. Für jedes Spiel wurde ein anderer Agent verwendet. Das heißt, dass TLOs erstes Spiel gegen AlphaStar Mark 1.0 war und das 4. Spiel gegen Mark 1.3 und so weiter.
Highlights gegen TLO
Ich persönlich versuche hier, mich weniger auf das Spiel gegen TLO zu konzentrieren, da das Spiel gegen MaNa weitaus ereignisreicher war. Allein der Erfahrungsstand von MaNa in Protoss gegen Protoss Matchup hat für weitaus interessantere Spiele gesorgt. Trotzdem gab es einige wichtige Highlights zwischen AlphaStar und TLO. Die KI aus dem Hause DeepMind zeigte im Spiel gegen den deutschen Spieler, dass sie auch menschliche Entscheidungsfindungen beherrscht. Fokussierte Angriffe auf bestimmte Einheiten, das Fallenlassen angegriffener Basen (retten was noch geht / Schadensbegrenzung) und strategische Rückzüge gehörten dazu.
Am 12. Dezember 2018 wurde TLO zu DeepMind HQ eingeladen, um gegen AlphaStar anzutreten. Die wichtigsten (und für Menschen absurdesten) Entscheidungen von AlphaStar Mark 1 gegen TLO waren hauptsächlich in Spielen 2 und 4 zu sehen. Eine kurze Zusammenfassung (gefolgt von Erklärung):
- In Spiel 2 hat AlphaStar TLO getrickst und einen falschen Build Order getäuscht:20 Bei einer Build-Order-Täuschung bauen die Spieler ein bestimmtes Gebäude, während der Gegner Sicht darauf hat. So glauben die Gegner zu wissen, was für eine Strategie man verfolgt. Wenn der Sicht des Gegners nicht mehr vorhanden ist, werden die Bauprojekte abgebrochen und neue angefangen. So wappnen sich die Gegner auf falsche Strategien.
- In Spiel Nummer 2 baute AlphaStar eine frühe Mothership bei 70 Supply: Das Mothership ist die teuerste Einheit der Rasse Protoss. Viele Spieler bauen diese Einheit erst viel später, da das Verlustrisiko zu groß ist. Zusätzlich ist Mothership erst mit einer größeren Armee effektiv.
- AlphaStar tötete seine eigenen Einheiten, wenn sie obsolet wurden:21 Das Töten eigener Einheiten ist eine gewöhnliche Taktik, dieser wird ebenfalls von menschlichen Spielern verwendet. Der Unterschied ist, dass diese nicht umsonst geopfert werden: Die Spieler schicken die obsoleten Einheiten in ein Selbstmordangriff und hoffen auf maximale Schaden. AlphaStar tötete sie einfach so.
- In Spiel Nummer 4 hat TLO versucht, eine Schwäche der AlphaStar auszunutzen, dass AlphaStar nicht so viel die Karte beobachtet. AlphaStar hat das allerdings sehr schnell durchgeblickt, obwohl er TLO nicht beobachtet hat. Anschließend nutzte er die gleiche Strategie gegen TLO und gewann.22
Besonders merkwürdig war das bedingungslose Töten / Mord der eigenen Einheiten. Ich werde darüber noch ein Blogartikel schreiben.
Highlights gegen MaNa
Viel interessanter ist allerdings das Spiel gegen TLO’s Teamkamerad MaNa. Liquid MaNa ist zurzeit unbestritten eine der beste Protoss-spieler in Europa. Trotzdem verlor MaNa am 19. Dezember 2018 gegen AlphaStar 5-0 (oder 5-1, wenn das Spiel gegen AlphaStar Mark 3 am 24. Dezember auch mitgezählt wird).
Im ersten Spiel hat AlphaStar eine Proxy hergerichtet. Dabei bauen Spieler Produktionsstätte in der Nähe der gegnerischen Basis. Die Angriffsdistanz verkürzt sich dadurch erheblich und der Gegner kann nicht immer schnell genug darauf reagieren. MaNa hat dieses Vorgehen zwar sehr schnell bemerkt, konnte sich allerdings dagegen nicht verteidigen: 1-0 für AlphaStar.
Im zweiten Spiel hat sich AlphaStar entschieden, massenweise Phoenix zu bauen. Das sind fliegende Einheiten, die nur in die Luft schießen können. Sie können zusätzlich Einheiten vom Boden in die Luft heben. Dies benötigt allerdings zusätzliche Anstrengungen. Als AlphaStar die Oberhand gewann, baute MaNa eine „Dark Shrine“. Dark Shrine ist Voraussetzung für die Herstellung bestimmter unsichtbaren Einheiten. Die Hoffnung MaNas war, dass AlphaStar nicht weiß, wie sie mit unsichtbaren Einheiten umgehen kann. Bedauerlicherweise war das nicht der Fall: 2-0 für AlphaStar.
Das dritte Spiel hatte keine erwähnenswerten Besonderheiten. AlphaStar spielte hervorragend und gewann diese Runde ebenfalls.
Das vierte Spiel bildet die Argumentationsgrundlage für die, die Erfolge AlphaStars dementieren. AlphaStars Mikromanagement war in diesem Spiel gut. Aber es war keineswegs übermenschlich. Das Problem ist, dass AlphaStar Gegensatz zu ihrem menschlichen Gegner die Aufmerksamkeit unbegrenzt lange aufrechterhalten kann.
Auf dem Papier besaß MaNa eine viel stärkere Armee. Durch das konsistente Mikromanagement von AlphaStar und durch einen Fehler von MaNa verlor der menschliche Profispieler trotzdem: 4-0 für AlphaStar.
„I was so confused after the pylon“ — fünfte Spiel
Das fünfte Spiel ist wirklich schwer zu beschreiben. AlphaStar schickte zunächst ein mal recht früh einen Arbeiter zu seinem Gegner. Das machen auch menschliche Spieler, wenn sie eine nicht konventionellen (nennt sich auch Cheese) Strategie verfolgen möchten.
Erst versuchte AlphaStar das gegnerische Gas zu klauen, um Build-Order von MaNa durcheinander zu bringen.23 Als das nicht klappte, baute AlphaStar einen Pylon in die gegnerische Basis, direkt neben dem Gas. Das ergibt irgendwie gar keinen Sinn. Selbst MaNa gab es später zu, dass dieser Aktion von AlphaStar ihn sehr verwirrt hat. Anschließend zog die künstliche Intelligenz ihre Arbeiter zurück und baute neben dem Basis MaNas seine Produktionsstätte — erneut ein Proxy. Ab dann ging es auch für MaNa ziemlich Bergab: 5-0 für AlphaStar.
Menschen schlagen zurück: MaNa besiegt AlphaStar Mark 3
Eine Woche später Wurde MaNa zu DeepMind HQ eingeladen. Zum Abschluss wurde ein letztes Spiel gespielt. In diesem Spiel zwischen MaNa und AlphaStar Mark 3 gelang es der menschlichen Seite zum ersten mal die Oberhand zu gewinnen. Mark 3 hat eine weitere Beschränkung bekommen. Die früheren Versionen der AlphaStar hat die gesamte Karteninformation (die für sie sichtbar war) gleichzeitig Analysieren können. AlphaStar Mark 3 muss die Kamera wie ein menschlicher Spieler den Blick hin und her bewegen, ehe sie andere Aktionen in diesem Abschnitt der Karte ausführen kann. Manche selbsternannten Experten in journalistischen Bereich behaupten, das sei der Grund für den Sieg des menschen Spielers.242526 Dadurch bestreiten sie direkt die Fähigkeiten der KI aus dem Hause DeepMind. Viel mehr beweist das allerdings, dass sie das Spiel nicht angeschaut haben. Der Sieg von MaNa hat nur wenig mit den Kameraeinstellungen AlphaStars zu tun.
Durch die beschränkte Kameraführung hatte die KI deutlich größere Probleme mit Multitasking. Beispielsweise nahm AlphaStar acht tote Arbeiter auf seiner Seite in Kauf, während sie MaNas Arbeiter mit einem Luftangriff belästigte. Dieser Schaden ist, wenn wir die Dimension des Angriffs seitens MaNa in Betracht ziehen (lediglich 2 Adepts — sehr billige Einheiten), unnötig hoch. AlphaStar Mark 3 neigte sehr häufig dazu, einen Tunnelblick zu haben. Trotzdem verursacht AlphaStar mehr schaden, als er selber verliert.
Die Schwachstelle der AlphaStar Mark 3 war, der Verzicht auf das Bauen einer Jagdflieger-Einheit. MaNa lud in einem verzweifelten Versuch, zwei seiner stärksten Einheiten in einen fliegenden Transporter und griff damit hinter den feindlichen Linien an. AlphaStar, deren gesamte Luftabwehr aus Bodeneinheiten bestand, konnte mit dem agilen Angriff MaNas nicht umgehen. Das führte dazu, dass AlphaStar für über zwei Minuten nicht produktiv sein konnte. Diese Zeit war für MaNa ausreichend, sich wirtschaftlich zu stabilisieren und einen großen Angriff zu initiieren, der das Spiel letztendlich entscheiden sollte.
Vor dieser Angriff waren die Gewinnchancen von MaNa sehr gering: AlphaStar hatte eine Basis mehr, mehr Produktion, 17 zusätzliche Arbeiter und mehr Armee.27 AlphaStar war sehr weit Vorne.
Ich persönlich glaube, dass wenn AlphaStar sofort ein Phoenix (Jagdflieger-Einheit) gebaut hätte, würde er das 11. Spiel ebenfalls gewinnen. Es war nicht die beschränkte Kamerasicht, die am Ende für einen Sieg der Menschen sorgte.
Prominente Meinungen zu AlphaStar
Selbstverständlich erweckte dieses Event ein großes Interesse innerhalb der Community. Viele prominente Spieler haben sich ebenfalls zu Wort gemeldet.
Der nordamerikanische Profispieler und Caster WinterSC hat es später in seiner Stream mehrfach erwähnt, dass er von AlphaStar sehr positiv überrascht war. Der Skilllevel von AlphaStar übertrifft seine Erwartungen. Er machte zusätzlich auf das eigenartige — sich von dem menschlichen drastisch unterscheidende — Entscheidungsmodell aufmerksam.
Niederländische StarCraft 2 Caster LowkoTV äußerte sich ebenfalls über Entscheidungsfindung der AlphaStar. Es ist tatsächlich sehr interessant, weshalb er seine Mineral-Line immer übersättigt hat. Ebenfalls ist es sehr interessant, weshalb er keine Mauer gebaut hat. Ebenfalls gab es von LowkoTV ein Lob an die Entscheidungslogik in einem weiteren Tweet so wie in seinem Youtube-Analysevideo.
TLO, der ebenfalls gegen AlphaStar spielte und verlor verteidigte die Niederlage seiner Teamkameraden MaNa und lobte AlphaStar.
Viel mehr analysierten viele prominente Spieler die Spielweise AlphaStars. Neben MaNa, die gegen AlphaStar antritt analysierten weitere Caster und Prospieler die Spiele. Dazu gehörten Beispielsweise Beastyqt, Artosis, Alex007, PiG, WinterSC und LowkoTV. Jede Videos macht auf unterschiedliche Stärken und Schwächen der AlphaStar aufmerksam, eines haben sie allerdings gemein: Die Entscheidungen der AlphaStar sind eigenartig doch effektiv. Die Skilllevel ist unerwartet hoch. LowkoTV bringt es in seinem Tweet sehr gut auf den Punkt.
AlphaStar aktuell
Blizzard gab Mitte Juli bekannt, dass das Projekt den nächsten Schritt einnimmt. AlphaStar kann jetzt alle drei Rassen gegen beliebige Gegner auf beliebige Karten spielen. Dementsprechend soll die KI gegen echte Spieler überall auf der Welt spielen.28 Um Hawthorne Effekt auszuschließen, werden die AlphaStar Agenten anonymisert. Hawthorne Effekt beschreibt, dass das Wissen Gegenstand einer Untersuchung zu sein das Verhalten der Probanden ändert.29 In diesem Fall könnten die Spieler sich besonders anstrengen oder eine extra cheesy (unkonventionelle) Strategie verfolgen, die ein normaler Spieler nie machen würde.
Die drei „bestätigten“ AlphaStar Accounts sind unten aufgelistet, falls ihr euch die Statistiken und Spielweise anschauen wollt. Ebenfalls verlinke ich die zur Verfügung stehende Replays der AlphaStar Spiele. Um diese anzuschauen, benötigt ihr einen installierten StarCraft 2. Meine persönliche Empfehlung ist das Spiel zwischen AlphaStar Zerg und StekepaNNe. AlphaStar wendet unterschiedlichste Taktiken wie Reaper Scout, Helion Harass, 1-1-1 Opener, einen Bio Switch und eine sehr aggresive Spielweise.
AlphaStar und dessen Bedeutung für die Gesellschaft
Ich werde eine umfassende Analyse der elf Spiele aus der Hinsicht eines KI-Entwicklers und Starcraft Spielers vorführen. Ich werde die Highlights und Techniken erklären, wie die Menschen 10-1 verlieren konnten. Ebenfalls werde ich auf die Frage eingehen, ob der Sieg dieser künstlichen Intelligenz fair war. Ebenfalls müssen wir den Sieg von MaNa analysieren, wie es dazu kommen konnte. Bevor das alles möchte ich aber erst mal die gesellschaftliche Bedeutung der AlphaStar darlegen, ohne tief ins Detail zu gehen.
Sind Computer besser als Menschen?
Ein klares Jain ist an dieser Stelle angebracht. Auch wenn manche Menschen den Sieg der AlphaStar dementieren, sind viele Profispieler — inklusive TLO und MaNa, die gegen AlphaStar verloren haben — sich einig. AlphaStar gewann, weil er in vielerlei Hinsicht besser war. Es ist kein Geheimnis mehr, dass durch die steigende Rechenleistung und sinkende Preise für Computer, bestimmte Jobs durch den Computer übernommen werden. Was AlphaStar uns als Gesellschaft klar machen sollte: Es ist für Computer möglich nicht nur einfache Jobs zu ersetzen. Es ist möglich, komplexere Aufgaben zu automatisieren, die sogar strategische Entscheidungen beinhalten. Denn eine komplexe Aufgabe ist nichts anderes als mehrere sequenziell erfolgende einfache Aufgaben. Das Herunterbrechen und mathematisch Beschreiben ist dann die Aufgabe der Informatiker.

Es bleibt jedenfalls spannend, ob die Jobs, die durch die neuen Technologien geschaffen werden, die Anzahl abdecken, die dadurch wegfallen. Ich möchte aber nicht von einer dystopischen Welt erzählen, in dem die Computer die Menschen obsolet machten. Mich beschäftigt viel mehr ein anderer Aspekt der AlphaStar: Die Spielweise der AlphaStar war grundlegend anders. Er hat sich nicht auf die menschlichen Methoden konzentriert, die sich im Laufe der letzten Jahre etabliert haben.
Die zukünftige Rolle der Menschen
Bislang wurde die Technologie – sei es Automatisierung oder KI – dafür genutzt, die alte Praktiken effizienter zu erledigen. AlphaStar fokussierte sich stattdessen auf seine eigenen Stärken und baute seine Strategie darauf auf. Während das Erfolgsrezept der Mensch in StarCraft 2 bislang auf wirtschaftliche Dominanz oder List basierte, dominierte AlphaStar mit Multitasking, schnelle Informationsanalyse und präzise Reaktion auf die menschliche Interaktion. Im Umkehrschluss bedeutet das für die Gesellschaft, dass wir eines Tages aus wirtschaftlichen Gründen einen Schritt wagen könnten, bei dem der Mensch im Falle eines Computer-Ausfalls keinen Ersatz mehr darstellt. Die gängigen Methoden könnten eines Tages nicht für Menschen geeignet sein.
Nutzen der KI-Wettbewerbe für die Gesellschaft
Es wäre falsch, KI Wettbewerbe als Muskelprotz-Wettbewerb abzutun. Wir profitieren heute schon von solchen Wettbewerben. Eine Verwendung der gewonnenen Erkenntnisse findet durch Wissenstransfer statt. DeepMinds AlphaGo, eine KI für das Brettspiel Go erzeugte zahlreiche Erkenntnisse in dem Bereich „deep reinforced learning“. Diese Erkenntnisse werden jetzt in Zusammenarbeit mit National Grid UK für die Optimierung der britischen Stromnetze eingesetzt.30
Ebenfalls hat DeepMinds Wettbewerber OpenAI durch sein Projekt in Dota 2 Erkenntnisse in KI erlangt. Diese Erkenntnisse kamen später in einer Roboterhand zum Einsatz, die selbstständig Objekte erkennen und fassen gelernt hat.31 Diese Fähigkeit erlangte die künstliche Intelligenz selber, ohne dass ein Mensch ihn je erklärt hat, wie man nach Objekten greift.
Quellen
- https://www.flightdeckfriend.com/can-a-plane-land-automatically
- https://www.theguardian.com/technology/2018/jun/10/artificial-intelligence-cancer-detectors-the-five
- https://www.investopedia.com/terms/a/algorithmictrading.asp
- https://www.harvardbusiness.org/dont-wait-for-ai-to-be-perfect/
- https://www.kfz-betrieb.vogel.de/unfallstatistik-autonome-autos-in-den-meisten-faellen-nicht-schuld-a-785596/
- https://www.lawgeex.com/resources/aivslawyer/
- https://hackernoon.com/20-top-lawyers-were-beaten-by-legal-ai-here-are-their-surprising-responses-5dafdf25554d
- https://deepmind.com/blog/alphastar-mastering-real-time-strategy-game-starcraft-ii/
- https://aim400kg.com/about/
- https://www.humanbenchmark.com/users/11007265
- https://youtu.be/y2PwyBTbCcQ?t=106
- https://www.teamliquid.net/forum/starcraft-2/541114-alphastar-ai-goes-10-1-against-human-pros-in-demonstration
- https://youtu.be/H3MCb4W7-kM?t=783
- https://youtu.be/HRsDAX8DfBw?t=617
- https://youtu.be/H3MCb4W7-kM?t=622
- https://liquipedia.net/starcraft2/2019_StarCraft_II_World_Championship_Series_Circuit/Standings
- https://www.reddit.com/r/starcraft/comments/a2onho/serral_will_be_playing_as_terran_against_his
- https://www.youtube.com/watch?v=HSrrS2tFi90
- https://liquipedia.net/starcraft2/2019_StarCraft_II_World_Championship_Series_Circuit/Standings
- https://youtu.be/H3MCb4W7-kM?t=382
- https://youtu.be/H3MCb4W7-kM?t=1277
- https://youtu.be/H3MCb4W7-kM?t=1806
- https://youtu.be/H3MCb4W7-kM?t=4644
- https://tl.net/forum/starcraft-2/541114-alphastar-ai-goes-10-1-against-human-pros-in-demonstration
- https://www.computerbase.de/2019-01/deepmind-alphastar-ki-starcraft-ii-mana/
- https://hub.packtpub.com/google-deepminds-ai-alphastar-beats-starcraft-ii-pros-tlo-and-mana-wins-10-1-against-the-gamers/
- https://youtu.be/H3MCb4W7-kM?t=5693
- https://news.blizzard.com/en-us/starcraft2/22933138/deepmind-research-on-ladder
- F.J.Roethlisberger \& William J. Dickson: \textit{THE RELAY ASSEMBLY TEST ROOM SUPERVISION}. In: THE EARLY SOCIOLOGY OF MANAGEMENT AND ORGANIZATIONS, S. 137-138
- https://www.wired.com/2017/05/googles-alphago-levels-board-games-power-grids/
- https://openai.com/blog/learning-dexterity/