dota最难打的ai是哪几个 dota2open ai测试
中奇 夏乙 一璞 假装发自 温哥华 新浪科技&量子位 联合报道
OpenAI对局DOTA2职业选手第二天，5名中国前职业选手组成的队伍出场了。
虽说在今年TI8上，中国各队战绩不如以往，不过今天，三支被淘汰队伍的教练+昨天直播的两名中文解说，如愿以偿地在表演赛上吊打了OpenAI。
玩笑归玩笑，这5名选手，都是战绩辉煌的中国DOTA2老将。
其中有：昨天直播的两位前TI冠军解说430和xiao8，以及大B神（BurNIng徐志雷）、TI4冠军狗哥、TI4亚军rOtk。
昨天在直播中，430和xiao8就表示也想组团挑战OpenAI，今天果然如愿出场。
而AI方，依然是OpenAI Five。这两天的Five和月初的那一版有些不同，它不再需要5只无敌信使，而是全队5人共用一只普通信使。
OpenAI研究员David Farhi昨天告诉量子位和新浪科技，AI上周六才学会用普通信使，到今天只适应了5天时间。
从这两天的比赛来看，AI用普通信使显然没有5只无敌信使玩得6，何况又要与更强大的职业选手对局。
今天双方的英雄阵容，和昨天刚好相反。
人类位列天辉，一号位飞机（burning）、二号位DP死亡先知（430）、三号位潮汐（rOtk）、四五号位巫妖（狗哥）、冰女（xiao8）。
AI位列夜魇，使用了昨天的获胜阵容：NEC，火枪、斧王双核心，以及莱恩、巫医双酱油。
不过AI开局时依然自信满满，认为自己这个阵容有80%左右的胜率。23分钟推上人类高地之后，AI给自己打出了相当高的胜率，而当时的局势显然并非如此。看来昨天说的bug还是没有解决。
昨天，AI在50多分钟的鏖战中，从自信心爆棚被人类一点点消磨到崩盘。今天相似的情节再次上演，AI的插眼技能有了一定进步，但也有诡异的操作出现，比如斧王经常见面就放出大招。
开局
天辉五人开5到上路符点蹲人，果然蹲到了来抢符的nec，一套技能拿下一血，送死灵法师回家洗澡。
随后，老队长rotk上演上头欢乐送，顶着火枪冲夜魇野区送出了人类一血，burning的飞机也步了后尘。
对线期开始
下路飞机优势路单，却偶遇刚3的AI选手斧王、巫医、nec。
飞机转上发育，叫来8师傅（xiao8）的冰女树林外蹭经验。
中路传奇中单430对阵AI的狙击手。曾经打遍天下无敌手的大妈（430）现在鱼到几乎被AI正反补全收，劣势巨大。
比赛刚刚进行到2分钟，看下路天辉无人招架，AI三人就开始冲击下塔。
老队长皮糙肉厚的潮汐猎人TP守塔，却被冲塔强杀。冰女在慌乱中偷掉夜魇信使，黑血逃生。
2分半，人类下路一塔告破。
随后NEC、巫医中路支援，6分钟内连续击杀430三次，大妈被打的心态有些崩。7分25开大冲塔，却被火枪和队友反杀。
复活的死亡先知继续回到中路，却再次被AI冲塔强杀。但老队长操刀的潮汐到6，反手“毁灭”，控住冲动的AI，配合飞机的召唤飞弹团灭夜魇。
虽然对线期人类军团被各路提款，但你大B神依旧是你大B神，经济始终贯穿全场。
中期
对线期过后，16分钟斧王绿鞋后裸出了跳刀，却遭遇人类军团的开雾狙击。跳刀遁走后，天辉夜魇开始互相拉扯。
18分钟，人类军团上演葫芦娃救爷爷，飞机、冰女、dp、巫妖人类相继阵亡。而AI方只死了巫医莱恩双酱油。
20分钟，八师傅狗哥相继被击杀，OpenAI顺势开始推进。人类很气，买活终于团灭对面。
凭借这波，人类军团经济从拉扯中转化为优势，burNing飞机、430DP、rotk潮汐分列经济榜前三。
复活的AI抓准人类带线发育的时机，偷下第一代肉山盾，Gank掉人类带线选手后，25分钟上高。知道正面不好打的xiao8，操刀冰女带线牵制。
在这个关键节点，B神飞机BKB出炉。AI分析后察觉正面刚不过，战术体系从Gank推进转为带线牵制。
为什么说TI欠B神一个冠军，因为即便过了而立之年，25分钟的飞机经济依旧爆炸，领先火枪将进一半，这样的Farm效率依旧世界顶端。
而AI打钱的节奏明显逊色。
惨烈的AI
在飞机黑皇杖以及潮汐大招的威慑下，AI军团的带线是惨烈的。
中路斧王带线被杀，AI果断卖队友别路继续推进；NEC带线被杀，斧王反向天辉高地进发，断兵牵制。
38分钟，耐不住寂寞的天辉方组织起第一次向高地的冲击。老队长果断跳大，配合天神下凡的飞机，秒掉了守高的火枪和巫医。
AI的辉耀NEC见队友阵亡，继续上路带线逼高。却不料，点了攻击天赋的冰女输出也是如此恐怖，冰霜禁制、平A、Nova、BKB、极寒领域，一套操作，送回温泉见还在读秒的火枪巫医。
?39分钟虽然天辉冰女巫妖双酱油风筝死了AI的斧王，但火枪、巫医买活，配合莱恩强控击杀了状态不足的潮汐与飞机，并顺势推进天辉中路高地。B神、老队长果断买活，并再次团灭在高地造次的夜魇众人，强行有来回。
夜魇核心买活CD、41分钟AI高地告破也无悬念。
刚才上高唯一逃生的斧王用命拆掉了人类上路高地塔，刚刚复活的莱恩下路绝望地断兵拉扯。
?但五名中国前职业玩家再没给AI留下机会，直接破掉三路，并于45分44拆掉遗迹，获得比赛胜利。
实际上，AI在垂死挣扎阶段的打法比之前有了巨大进步。
8月6日被人类用“阴招”赢下的第三局里，AI有着更为莫名其妙的行为，比如对着风杖吹起的单位放大，在敌方塔下乱逛等等。
而今天，没有乱逛、没有过于诡异的技能施放，AI在劣势之下兢兢业业地努力带线。
第二场的人类队伍的五位成员都是国内DOTA2玩家非常熟悉的DOTA2明星：
五人全都是中国DOTA2战队的前职业选手，其中3位拿过TI冠军，即使没有拿过冠军的成员也是各个位置上的前世界顶级选手。可以说阵容完全不输昨天的paiN Gaming了。
这个组合目前的身份都是解说，其中4位是现役队伍教练。他们分别是：
xiao8，本场比赛操作冰女，本名张宁，曾效力于CCM、LGD、Newbee、BG等队伍，前LGD战队队长，在Newbee战队期间曾夺得TI4冠军 ，2017年初退役，今年当上了EHOME战队的教练，奈何淹死在中国区TI海选。
Ferrari_430，本场比赛操作死亡先知，本名骆非池，被称为“世界王者中单”，因飞一般的手速被称为“钢琴手”，曾效力于王思聪的IG电子竞技俱乐部，并获得TI2冠军，现为是一名DOTA2主播。
BurNIng，本场比赛操作飞机，本名徐志雷，世界顶级carry，曾效力于DK、IG、VG战队，2017年退役后担任解说，最近还当上了IG的教练，奈何没走出TI小组赛。
Sansheng，也就是狗哥，本场比赛操作巫妖，本名王兆辉，和xiao8一样，效力于Newbee期间获得了TI4冠军。2015年退役后，狗哥转型成了Newbee教练，同时也是一名主播，本届TI败者组出局。
rOtk，本场比赛操作潮汐，本名白帆，TI4亚军，世界顶级三号位，被称作“怒吼天尊”，曾效力于LGE、VGJ、Vici Gaming、EHOME等战队。目前是VGJ.T战队的教练，也没能走出TI败者组。
最后，送上一份三分钟的精华集锦，来重温一下昨天的胜利吧~
openai dota openai完虐dota2人类玩家
openai官网,openai大股东,openai市值,openair近日，知名AI专家Ilya Sutskever在硅谷园区举行的NVIDIA年度NTECH工程座谈会中畅谈了最新的Dota 2赛事。该活动吸引了数百名工程师以及上千名在线参与者，其中不乏游戏发烧友。
操作敏捷、创意十足、机智聪明，这些都是优秀游戏玩家的代名词。相比之下，机器就需要人向其传授如何赶超人类玩家，而这些人指的就是Ilya Sutskever和他的OpenAI团队。
今年8月，由五个神经网络组成的OpenAI Five战队在Dota 2这个广为流行的多人在线竞技游戏中，与全球数位顶级职业玩家对抗。
对于OpenAI Five来说，能够参加这个游戏领域的专业级比赛已经是一次飞跃。
Dota 2是一款极为复杂的游戏。为了赢得胜利，玩家可以随意使用战术，还可以自由交互。该游戏仅可见部分布局，这就要求玩家在每场持续45分钟的对决中将眼前的战术和长远的战略配合使用。“专业玩家们将自己的生活全部都献给了Dota 2，”Sutskever说道，“玩这款游戏可不是件容易的事。”
Dota 2抬高了AI参与游戏的门槛
OpenAI Five在Dota 2比赛中取得的成绩标志着人类与AI的竞技对战达到了一个全新的水平。在国际象棋和围棋这些同样是热门的AI挑战中，其平均走法分别为35和250。而相比之下Dota 2的游戏规则则更为复杂，每步约有17万种可能的走法，而每场比赛又需要走2万步。
Sutskever表示，鉴于Dota 2的复杂性，与AI此前挑战过的其他游戏相比，Dota 2更接近于现实世界。那么，他们是如何做到的呢？答案是大规模的增强学习（reinforcement learning）。
无论是对于人类还是机器而言，增强学习都很重要。我们在游戏中因为某种走法获得奖励积分，或因为另一种走法而功亏一篑，这些时刻都会被记录下来，为下一轮游戏提供增强学习的信息。
增强学习对于AI的重要性在于，这是一种非常自然的方式，可以训练神经网络做出行动以达成目标，而这也是构建智能系统所必须的。
OpenAI Five取得了相当喜人的成绩，这要归功于其大规模地运用了一套可靠的增强学习算法（近端策略优化），其运行于Google云平台中的1000个NVIDIA Tesla P100 GPU上。
从很早开始，NVIDIA就一直在为OpenAI提供支持，黄仁勋先生曾亲自为其赠送了第一台DGX-1 AI超级计算机。
GPU 挑战的历史
在利用GPU应对AI重大挑战方面，Sutskever早已轻车熟路。他是赢得著名的ImageNet竞赛的多伦多大学三位研究人员之一（其他两位分别是Alex Krizhevsky和导师Geoffrey Hinton），帮助他们斩获大奖的是其所开创的一款基于GPU的卷积神经网络。
该网络将错误率猛降近50%，并因此载入史册，开启了当代AI的热潮。
这就是现在的AlexNet，无数深度学习模型均以此为基础打造。在GTC 2018 上，黄仁勋先生提及了AlexNet对数以万计的AI模型的影响：“神经网络正以惊人的速度增长和发展。”
Sutskever表示，AI技术的飞跃与处理能力的提升密不可分。“值得一提的是，从最初的AlexNet到后来的AlphaGo Zero，计算量提升到了原来的30万倍。仅仅五年的时间，增量可以说十分可观。”
OpenAI 的“登月”雄心
OpenAI成立于2015年，是一家非营利性机构，致力于通过开发和利用通用AI造福全人类。其创始成员包括Tesla首席执行官Elon Musk、Y Combinator总裁Sam Altman和其他技术行业的杰出人物。为了完成该组织的使命，他们共投入了10亿美元。
OpenAI的研究人员正在投身于一项名为Dactyl的项目，旨在增强机械手的灵活性。还有一支团队在研究域名随机化（domain randomization）这一古老概念，也取得了令人瞩目的成果。他们已经能够在模拟环境下训练机械手操控物体，并计划随后将此成果投入实际应用。这一点非常重要，因为模拟是让这些机械手获得足够训练经验的唯一方式。“这种想法实施的结果非常好，”Sutskever说道。
ai领域的发展与研究 ai研究所专栏
ai的应用领域,ai在各个领域的应用,ai领域的技术应用,ai在各行业的应用目录
?
?
国内
中科院
自动化所-智能感知与计算研究中心
计算所
智能信息重点实验室
西电
清华大学
计算机系-智能技术与系统国家重点实验室
自然语言处理与社会人文计算实验室
自动化系
北大
机器感知与智能教育部重点实验室---机器学习研究室
深度学习实验室
浙江大学
计算机院
图形与并行系统实验室
南京大学
机器学习与数据挖掘研究所
香港中文大学
Multimedia Laboratory
西安交通大学
人工智能与机器人研究所
美国
麻省理工大学
MIT’s Computer Science and Artificial Intelligence Laboratory, CSAIL
Media Lab
斯坦福大学
Stanford Artificial Intelligence Laboratory
视觉实验室?
The Thrun Lab
纽约大学
NYU Center for Data Science
卡内基梅隆大学
Robotics Institute
National Robotics Engineering Centre （NREC）
Language Technologies Institute （LTI）
加州大学伯克利分校（Cal）
Berkeley Vision and Learning Center
Robotics and Intelligent Machines Lab
自动化科学和工程实验室
加州理工学院（CalTech）
Department of Computer+Mathematical Science
伊利诺伊大学厄巴纳-香槟分校（UIUC）
CENTER FOR ADVANCED ELECTRONICS THROUGH MACHINE LEARNING (CAEML)
加利福尼亚大学洛杉矶分校UCLA
CCVL | Center for Cognition, Vision, and Learning
University of Illinois at Chicago UIC
artificial intelligence lab
佐治亚理工学院（Georgia Institute of Technology）
The Center for Machine Learning
The Laboratory for Interactive Artificial Intelligence
华盛顿大学
宾夕法尼亚大学UPENN
伍斯特理工学院（WPI）
Artificial Intelligence Research Group
?普林斯顿大学（Princeton）
Center for Statistics and Machine Learning
3D Visione Lab
PRINCETON VISUAL AI LAB
Statistical Machine Learning Lab
Seung Lab
康奈尔大学（Cornell ）
Machine Learning Lab
Robot Learning Lab
美国南加州大学（USC）
MACHINE LEARNING CENTER
芝加哥大学（UChicago）
哥伦比亚大学（Columbia ）
Machine Learning - Columbia CS - Columbia University
加拿大
多伦多大学 （UofT）
蒙特利尔大学Université de Montréal
机器学习实验室(MILA)
滑铁卢大学（UW）
Machine Learning and Intelligence
ECE Machine Learning Lab
AI Group
Computational Statistics Research Group
麦克马斯特大学（McMaster）
?McMaster.AI
英国
布里斯托大学
Intelligent Systems Laboratory，ISL
牛津大学
爱丁堡大学(Edinburgh)
Artificial Intelligence at Edinburgh
埃克塞特大学(University of Exeter)
Machine learning research
赫特福德大学(University of Hertfordshire)
MSc in AI with Robotics
瑞士
人工智能研究所SUPSI
苏黎世理工ETH
人工智能实验室
?Institute for Machine Learning
意大利
锡耶纳大学
The Siena College Institute for Artificial Intelligence,SCIAI
德国
慕尼黑工业大学（TUM）
?Computer Vision Group
?
以色列
耶路撒冷希伯来大学
The HUJI Machine Learning Lab
日本
大阪大学
智能机器人研究所
早稻田大学
加藤实验室
其它机构
AI Expriments
Research at Google
MACHINE LEARNING ADVANCED SOLUTIONS LAB
Google 量子人工智能实验室
百度
Baidu research labs
Face book research
FAIR
Microsoft
Microsoft Research Lab C Asia(MSRA)
?
OpenAI
国内谭铁牛
谭铁牛博士主要从事图像处理、计算机视觉和模式识别等相关领域的研究工作，目前的研究主要集中在生物特征识别、图像视频理解和信息内容安全等三个方向。研究方向包括动态场景的计算机视觉监控、基于人的行为和生物特征的人物识别与身份鉴定以及数字多媒体数据的水印处理等。
模式识别国家重点实验室研究员和生物识别与安全技术研究中心主任,智能视觉物联网研发中心主任
李子青
李子青的研究领域包括统计模式识别与机器学习理论，以及生物特征识别、智能视频监控，图像处理与计算机视觉，图像与视频理解。 学术研究积极活跃，发表论文 200 多篇，撰写编写著作8 部，其中《图像分析中的马尔可夫随机场模型》 (Springer 1995, 2nd edition 2001, 3rd edition 2009) 被誉为"图像分析领域里程碑意义的工作的，他引超过2000次（by Google Scholar）。受Springer 之邀主编 《生物特征识别百科全书》(Encyclopedia of Biometrics, Springer 2009) 和《人脸识别手册》(Springer, 1 edition
