AI 又有「新活」了！

德州大学奥斯汀分校的研究团队用Transformers和离线强化学习训练出了一个宝可梦对战AI智能体，不但打法像人，还能在全球排名中杀进前 10%。

论文地址：https://metamon.tech/

是的，你没看错，这不是那种靠搜索和规则的AI，而是靠人类历史对战数据「喂出来」的智能体，能自己学着打。

这个宝可梦游戏（全称Competitive Pokémon Singles）有多复杂呢？

在对战平台https://pokemonshowdown.com/上可以看到，即使不考虑策略，光是精灵、动作和物品的数量已经多到了非常夸张的程度（根本翻不完）。

这意味着，AI要在信息不完全、策略博弈的环境中，把每一步出招、每一次换人，都当成下围棋一样来算。

这种硬核程度，更像是宝可梦版的《星际争霸》。

研究团队开发了一个名为Metamon的平台，它使用来自Pokémon Showdown（以下简称PS）的人类游戏数据集来启用离线RL工作流。

PS会创建一个日志（过程「回放」），记录每场战斗。

玩家保存日志以供日后研究、与朋友分享有趣的结果，或作为记录官方锦标赛结果的证明。

PS的回放数据已经超过十年——足够的时间积累数百万个重放，比如下面的是10年前2014年的战斗回放。

PS回放数据集是一个完全的、自然发生的人类数据集合，但这个数据集有个问题——这些数据是以第三方角度收集的，而不是第一人称，训练智能体需要用第一人称视角。

研究团队通过将观众视角分别转换为每个玩家的视角来解锁PS回放数据集。

最终，研究团队搞出一个47.5万局真实人类对战组成的离线强化学习数据集，而且每天还在持续增长中。

宝可梦拥有一个非常复杂的状态空间，因此在使用离线强化学习（offline RL）进行训练时，策略模型可能需要具备较大的规模和复杂的结构。

为了使训练过程更加稳定，将这个问题转化为行为克隆（Behavior Cloning, BC）的角度来理解：预测一个人类玩家的动作，实际上是在尝试推理模仿的这个玩家的策略，以及他们对对手的理解。

为了实现准确的预测，模型往往需要较长的上下文输入。

强化学习（RL）在这种场景下的作用，是帮助我们从包含了不同水平玩家（包括竞技和休闲玩家）决策的大规模数据中，筛选出有效信息。

采用的解决方案是actor-critic架构，其中critic的训练方式是使用标准的一步时序差分（temporal difference, TD）更新来输出Q值。至于actor的损失函数，其一般形式如下：

接下来，需要为CPS（Competitive Pokémon Simulator）定义观测空间、动作空间和奖励函数。

智能体需要获取足够的信息，以便能够模拟人类玩家的决策，而PS网站的用户界面是一个显而易见的参考点。

不过，由于模型具备记忆能力，因此无需在每一个时间步都提供全部信息。

最终达成了一个折中方案：输入由87个文本词语和48个数值特征组成。

下图展示了数据集中一场回放中的示例。观测只包含对手当前上场的宝可梦。

传统做法教AI玩游戏，通常会设计规则、模拟状态、设计算法。

但这篇论文反其道而行之：直接喂数据，让它「模仿」人类怎么打。

他们训练了多个大小不同的智能体，从1500万参数的小模型，到2亿参数的大模型。

其中有的通过模仿学习训练（IL），有的则用离线强化学习（RL）进一步优化，还有的则加上「自我对战」的数据做微调。

说了这么多，这AI真的能打吗？

研究者将多个版本的模型送上Pokémon Showdown的天梯服务器——这是全世界宝可梦高玩集中的地方。

结果模型居然排进了全球活跃玩家的前10%，并成功登上了排行榜。

在图中展示了Glicko-1阶梯分数及其评分偏差。柱状图标签标注的是GXE（胜率期望）统计数据。

阶梯分位数（Ladder Percentiles），在 2025年2月至3月期间下载的回放数据中，共识别出14,022个在第1到第4世代活跃的用户名。

以第1世代（Gen1）为例，在这些用户名中，有5,095个参与了 Gen1OU（标准对战规则），其中有2,661个活跃度较高，达到了在最终结果统计时拥有有效 GXE（胜率期望）数据的标准。

这可能是你第一次听说有人用Transformer打宝可梦，还打赢了人类。

但从技术视角看，这背后是强化学习、模仿学习、大模型训练和数据重构的完整链路。

它不只是一个「有趣的实验」，更像是一次对数据驱动游戏 AI 的深度演练。

下一步，或许可以不是打游戏，而是让AI玩转更复杂的现实任务。

此外，不同的训练策略以及大规模自我对战（self-play）技术，或许能够让智能体带来超越人类表现的突破。