谷歌用AI研发乒乓球机器人，4分钟对拉300多次

　　一个人怎么练习乒乓球？或许这事你可以问问谷歌。
　　最近，谷歌又玩新花样，这回是乒乓球机器人AI 项目， 号称和人类对战时能够连续接球340次？！
　　要知道，让解说员激动到破音的「乒乓球史上最疯狂一球」 ——许昕和朱霖峰超级对拉名场面也就止步于 42 板。
　　裁判：你不要过来啊啊啊…
　　在乒乓球比赛中，首要的就是速度和精度， 这对学习算法 提出了很高的要求。同时，这项运动具有高度结构化 （具有固定的、可预测的环境）和多智能体协作 （机器人可以与人类或其他机器人一起对打）两大特点，使其成为研究人机交互和强化学习问题的理想实验平台。
　　谷歌的机器人团队就建了这样一个平台来研究机器人在多人、动态和互动环境中 学习所产生的问题，分别是Iterative-Sim2Real（简称i-S2R） 和GoalsEye。
　　利用模拟器与人类合作进行游戏
　　i-S2R作为一种打造 AI  的方式，目的在于打造一套可应对人类快速且不可预测行为的机器人系统， 借助虚拟或模拟的环境，来训练机器学习模型，再从模型运用知识到真实世界中，这样可以大幅缩短训练时间。
　　人与机器人对打 4 分钟，来回多达 340 次
　　虽然这握拍姿势略显僵硬，但接球可是稳得一批，你来我往配合的还挺有模有样~
　　其实在此之前就已经有乒乓球机器人的身影，比如和邓亚萍老师对阵的＂庞伯特＂ ，面对邓亚萍老师的高速球、弧圈球，它都能够及时调整自己的策略，灵活变化的同时它还能找到一些致胜点，引来邓亚萍老师赞叹连连。
　　那么谷歌这次推出的＂乒乓球机器人＂是如何精准学习人类行为的呢？
　　学习人类行为模型：破解＂先有鸡还是先有蛋＂
　　让机器人精准学习人类行为模型可没那么容易。
　　首先，想要让机器人学会与人类互动，就需要有人类的行为模型； 然而，想建立人类的行为模型，就需要人类先与机器人进行互动。
　　为了搞清楚这个＂蛋鸡难题＂ ，i-S2R 使用人类行为的简单模型作为近似起点，并在模拟训练和现实世界部署之间交替进行。 在每次迭代中，人类行为模型和策略都会被细化。
　　虽然一开始AI的学习情况并不咋地，但随着人机对战次数和AI收集到的数据成正比增加，其准确性也自然随之upup
　　i-S2R 方法论
　　为了评估 i-S2R谷歌搞了个实验，他们把玩家类型进行了细分：初学者（占 40% 的玩家）、中级（占 40% 的玩家）和高级（占 20% 的玩家）。
　　按玩家类型划分的 i-S2R 结果
　　实验结果显示，对于初学者和中级玩家（占 80% 的玩家），i-S2R 的表现都明显优于 S2R+FT（sim-to-real plus fine-tuning）。
　　除了i-Sim2Real这种模拟与现实交替进行的方法，谷歌还公布了只使用现实的数据学习的方法，即GoalsEye项目。
　　GoalsEye目标：＂指哪打哪＂
　　GoalsEye 结合了行为克隆技术 （behavior cloning techniques）来学习精确的目标定位策略。
　　GoalsEye 策略将球返回到不同位置
　　粗暴地来说就是：打准就完了。
　　研发团队为实现机器人精准的效果，他们还采用了 LFP（Learning from Play）、GCSL（Goal-Conditioned Supervised Learning）。
　　瞄准直径为 20 厘米的球门（左）的GoalsEye 策略/瞄准同一目标的人类玩家（右）
　　在最初的 2480 次演示中，谷歌的训练策略仅在 9% 的时间内准确地击中半径为 30 厘米的圆形目标。在经过了大约 13500 次演示后，小球达到目标的准确率上升到 43% （右下图）。
　　看到这里，俺只想期待一下子让这个机器人和咱们的乒乓男团一决高下。
　　不过很遗憾，谷歌表示，＂乒乓球机器人＂只是为了AI与人类的＂合作＂，并非为了击败人类。
　　不过，谷歌还是留下了一丝悬念，他们补充道，＂以AI成长的速度来看，它将很快成为专业选手。＂
　　话不多说，关于这两个项目的更多介绍，请小伙伴们自行采摘：
　　Iterative-Sim2Real 主页：https://sites.google.com/view/is2r
　　GoalsEye 主页：https://sites.google.com/view/goals-eye