Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind24. Januar 2019 · Q002207

AlphaStar: Mastering the real-time strategy game StarCraft II

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

DeepMind zufolge besiegte AlphaStar die Profispieler TLO und MaNa jeweils 5:0. Das System wurde erst mit menschlichen Spielaufzeichnungen und danach in einer Liga gegeneinander trainierender Agenten entwickelt. Die Siege erfolgten in Protoss-Spiegelpartien auf einer Karte und mit einer Rohschnittstelle; breitere Anwendungen robuster KI beschreibt das Team als mögliche Perspektive.

Mittel

DeepMind berichtet, AlphaStar habe im Dezember 2018 die StarCraft-II-Profis TLO und MaNa in Testserien jeweils 5:0 besiegt. Das Team stellt dies als Durchbruch dar, weil frühere Systeme laut Bericht auf vereinfachte Bedingungen, Regeländerungen oder handgefertigte Komponenten angewiesen waren.

AlphaStar lernte zunächst aus anonymisierten menschlichen Spielaufzeichnungen. Anschließend trainierte eine Liga von Agenten durch Partien gegeneinander und bestärkendes Lernen. Neue Agenten entstanden aus bestehenden, mit unterschiedlichen Lernzielen und Strategien, damit die Liga Gegenstrategien entwickeln und ältere Taktiken weiterhin schlagen konnte. Für 14 Trainingstage nutzte das Team eine verteilte TPU-Infrastruktur; einzelne Agenten sammelten dabei nach seinen Angaben bis zu 200 Jahre Spielzeit. Der finale Agent vereinte Strategien aus der Liga.

Die Profisiege erfolgten mit einer Rohschnittstelle, die AlphaStar direkten Zugriff auf sichtbare Einheiten ohne Kamerabewegung gab. Eine spätere Kamera-Variante erreichte intern über 7000 MMR; ein nur sieben Tage trainierter Prototyp verlor jedoch ein Ausstellungsspiel gegen MaNa. Die Ergebnisse gelten im beschriebenen Rahmen: Protoss gegen Protoss auf einer Karte. Das Team nennt mögliche Anwendungen für Prognosen und robuste KI als Perspektiven; eine begutachtete technische Veröffentlichung war noch in Vorbereitung.

Ausführlich lesen

Der Bericht stellt AlphaStar vor, ein von DeepMind entwickeltes System für StarCraft II. Das Team berichtet, AlphaStar habe im Dezember 2018 den professionellen Spieler TLO zunächst in einem Benchmark und anschließend MaNa in einer Testserie jeweils mit 5:0 besiegt. Die Partien seien unter Wettbewerbsbedingungen auf einer Ladder-Karte und ohne Spielbeschränkungen ausgetragen worden. Die Autoren sehen darin einen Durchbruch, weil frühere Systeme laut Bericht meist auf vereinfachte Karten, veränderte Regeln oder von Menschen entworfene Komponenten angewiesen waren.

StarCraft II stellt laut Team besondere Anforderungen: Spielende müssen gleichzeitig Wirtschaft und einzelne Einheiten steuern, ihre Strategie an verborgene Informationen anpassen und in Echtzeit aus einem sehr großen Aktionsraum wählen. Es gibt keine stets beste Strategie; wichtige Entscheidungen können sich erst langfristig auszahlen. AlphaStar verarbeitet die Rohdaten der sichtbaren Spieleinheiten mit einem neuronalen Netz und gibt daraus Spielaktionen aus. Der Bericht nennt unter anderem Transformer-, LSTM- und Pointer-Netzwerk-Bausteine.

Das Training begann mit überwachtem Lernen aus anonymisierten menschlichen Spielaufzeichnungen. Ein daraus entstandener Agent besiegte nach Angaben des Teams die eingebaute Elite-KI in 95 Prozent der Partien. Danach trainierte eine Liga von Agenten fortlaufend gegeneinander: Neue Varianten wurden aus bestehenden Agenten abgeleitet, während unterschiedliche Lernziele und Gegnerstrategien die Vielfalt erhalten sollten. Die Agenten wurden anhand der Spielergebnisse per bestärkendem Lernen angepasst. So sollten sie neue Gegenstrategien entwickeln und zugleich gegen bereits bekannte Taktiken bestehen. Das Team gibt an, die Liga 14 Tage mit verteiltem Training auf TPUs betrieben zu haben; einzelne Agenten hätten dabei bis zu 200 Jahre Spielzeit in Echtzeit erlebt. Der endgültige Agent sei aus einer Mischung der Liga-Strategien gebildet worden und laufe auf einer einzelnen Desktop-GPU.

In den Partien lag AlphaStars durchschnittliche Aktionsrate laut Bericht bei etwa 280 Aktionen pro Minute, unter den angegebenen Mittelwerten von MaNa und TLO. Seine durchschnittliche Verzögerung zwischen Beobachtung und Aktion habe 350 Millisekunden betragen. Bei den damaligen Profipartien nutzte AlphaStar jedoch eine Rohschnittstelle, die sichtbare Einheiten ohne Kamerabewegung zugänglich machte. Das Team verweist auf Analysen, nach denen der Agent dennoch seine Aufmerksamkeit wechselte. Eine später entwickelte Variante musste wie ein Mensch die Kamera bewegen und nur Bildschirminhalte nutzen. Sie erreichte laut internem Ranking über 7000 MMR, war aber in einem Ausstellungsspiel als nur sieben Tage trainierter Prototyp MaNa unterlegen.

Die Ergebnisse sind durch den beschriebenen Versuchsrahmen begrenzt: AlphaStar wurde für Protoss-Spiegelpartien auf einer Karte trainiert und spezialisiert; die Siege gegen TLO und MaNa belegen daher keine gleichartige Leistung mit allen Völkern oder in allen Spielsituationen. Eine vollständige technische Beschreibung war laut Bericht noch für eine begutachtete Fachzeitschrift in Vorbereitung. Mögliche Anwendungen der Methoden für Langzeitprognosen und robustere KI, etwa in sicherheitskritischen Bereichen, formuliert das Team als Perspektive, nicht als dort bereits nachgewiesenes Ergebnis.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Zwei Zusammenfassungen wurden geprüft; das Urteil bezieht sich auf die mittlere Fassung, die kurze ist knapper und lässt die Kamera-Variante aus. Der Bericht ist ein Spielbericht zu AlphaStar und beantwortet die Sicherheitsfragen nur am Rande, daher fallen alle Einordnungen niedrig aus.

Im Bericht, aber nicht in der Zusammenfassung

  • APM-Befund: AlphaStar hatte im Schnitt etwa 280 APM gegenüber den Profis, dazu eine Reaktionsverzögerung von rund 350 ms (fehlt in beiden Fassungen)
  • Schlussfolgerung des Teams, dass der Sieg auf überlegenen Makro- und Mikro-Entscheidungen beruht und nicht auf Klickrate oder Reaktionszeit (fehlt in beiden Fassungen)
  • Die Kamera-Variante als Gegenprobe zum Rohschnittstellen-Einwand (in der kurzen Fassung ganz, in der mittleren nur angedeutet)
  • Der Bericht betont, dass die Liga-Methode Strategieverlust verhindern soll und dass Mängel der Liga-Methode als Sicherheitsansatz genannt werden (nur teilweise erwähnt)

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Jahresangabe 2018 bei den Testspielen: Der Bericht nennt nur den 19. Dezember, das Jahr ergibt sich höchstens indirekt aus Verlinkungen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 31 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 60 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 44 %umfangreiche Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 44 %einzelne zitierbare Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 24 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • SF-P4-T01 Würden Regierungen Messdaten aus der Lieferkette von Chips (Telemetrie), den Stromverbrauch, gemeldete Verzeichnisse von Trainingsläufen und eine unabhängig überwachte Abrechnung von Strom, Hardware und Rechenaufwand als vertragstauglichen Nachweis für die Größe der Trainingsläufe eines anderen Staates anerkennen, ohne Modellgewichte (die gelernten Parameter) oder Code anzurühren? Und wie sähe eine Prüfordnung für Rechenschwellen aus, die nichts über das Innere der Modelle verrät? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 56 %einzelne zitierbare Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-T3-T03 Welche Teile von Training, Prüfung und Einsatz laufen schon heute weitgehend durch KI, und welche Rollen sagt jedes Labor zu, bei Menschen zu lassen, in einer veröffentlichten Liste statt als bloßer Grundsatz? Wenn KI nachfolgende Modelle selbst entwirft, trainiert und prüft: Welcher Mindestanteil der Forschung muss unter direkter menschlicher Prüfung bleiben, und wie belegt man, dass ein Durchbruch mit menschlicher Beteiligung und nicht vollautomatisch entstanden ist? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
    • SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren? Luna: Stufe 3 · 46 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 58 %einzelne zitierbare Belege
    • JEV 23 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat? Luna: Stufe 3 · 42 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 53 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 20 %einzelne zitierbare Belege
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 62 %Hintergrund, keine Belege
    • JEV 28 %nur am Rande erwähnt
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht

    • SF-A3-T01 Welche Beobachtungen oder gemeinsamen Tests erkennen entstehende Abstimmung, Absprachen oder Kettenfehler zwischen Modellen in Arbeitsabläufen, Lieferketten und Gruppen vieler Agenten (Schwärmen), die kein einzelnes Labor steuert oder vorhersieht? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 59 %umfangreiche Belege
    • JEV 39 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 37 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →