反应时间：机器人可以立即反应，人类却不能。再加上上述的信息优势，这是另一大优势。例如，一旦对手超出特定技能范围，机器人可以立即取消某项技能的使用。

学习使用一个特定的角色：游戏中有100个不同的角色，具有不同的天赋能力和优势。机器人学习玩的唯一的角色是Shadow Fiend，通常会立即进行攻击（而不是在一段时间内持续的更复杂的技能），作为机器人，得益于信息优势和快速的反应时间。

鉴于1对1主要是机械技能的游戏，开奖，AI击败人类玩家并不奇怪。对OpenAI而言，由于环境受到严格限制，（很大可能）可用的操作也受到限制，而且很少或者完全没有进行长期规划或协调的需要，我得出的结论是，这个问题实际上比击败人类围棋冠军容易得多。我们并没有在AI中突然进步。它的成功，是因为我们的研究人员用正确的方式，聪明地设置了需解决的问题，把当前技术用到极致。据说机器人的训练时间大概是2周左右，也说明真相确实如此。 AlphaGo需要在Google的GPU集群上进行数月高强度的大规模培训。从那以后我们取得了一些研究进展，但并没有将计算要求降低一个数量级。

现在，批评够多啦。新闻炒作可能有点过度，但不妨碍这次人机大战的胜利依然很酷的事实。显然，大量具有挑战性的工程和合作建设才实现这一切。下面这次DOTA机器人很厉害的地方：

完全通过自我训练：这个机器人不需要任何训练数据，它也不会从人类的演示中学习。它完全随机开始，并且不断地跟自己对练。虽然这种技术并不是什么新鲜事物，但令人惊讶的是（至少对我来说），机器人自己就学习到了人们使用的技术，如Reddit和Ycombinator上评论中所提出的。我不太了解DOTA 2，所以无法判断这一点，但是我觉得非常酷。机器人可能还有其他人类不知道的技术。这与我们在AlphaGo中看到的类似，人类玩家开始从其非常规的动作中学习，并调整了自己的游戏方式。（有兴趣的读者可以阅读这两个论坛的讨论： https://news.ycombinator.com/item?id=14996448和https://www.reddit.com/r/MachineLearning/comments/6t58ks/n_openai_bot_beat_best_dota_2_players_in_1v1_at/dli3zpp/）

AI +电竞需要迈出的一大步：在具有挑战性的环境（如DOTA 2和Starcraft 2）上来测试新的AI技术非常重要。如果我们可以说服电子竞技社区和游戏发行商，我们可以通过将AI技术应用于游戏来提供价值，我们可以期待得到大力支持，这会加速AI进展。

部分可观察的环境：虽然OpenAI研究人员如何用API处理这个问题的细节尚不清楚，但是人类玩家只会看到屏幕上的内容，并且可能在视角上会有一些限制，比如上坡下坡的树林阴影。 这意味着，与围棋或象棋或Atari（更像扑克）这样的游戏不同，我们处于部分可观察的环境中——我们无法访问有关当前游戏状态的完整信息。 这些问题通常难以解决，是急需更多进展的研究领域。 话虽如此，目前还不清楚1v1 DOTA2比赛的部分可观察性是多么重要——这里也没有太多可以策划的。

所有这些中，最重要的是，我非常期待可以看到OpenAI的技术报告，看看他们到底是怎么搭建这个系统的。