電競跟生成式AI

如題，日前韓國電競隊伍T1奪冠，我身邊的韓國直男們一定瘋掉已經瘋掉，雖然做為山西阿嬤、科技原始人、遊戲麻瓜的山頂洞人我本人算是對LOL一竅不通，但秉持著當一天和尚敲一天鐘（？）（這句話顯然不是用在這裡），剛好搭上熱潮搜尋了一下，還順便看到電子競技結合AI趨勢分析的文章與眾分。

source: www.cio.com/article/...

本篇文章是針對在2022年《英雄聯盟》春季季後賽中落敗的Team Liquid，裡面分析部門的總監提到落敗的原因，他認為是出於對方在選角（draft, 玩家輪流選擇角色、組建隊伍並與對方抗衡。）環節選用了完全出乎團隊意料的角色。Team Liquid擁有超過210萬小時的比賽數據，但未能充分利用數據進行分析，所以他們認為應該更加善用AI技術避免再次發生這樣的情況。

過去電競團隊的教練們需要親自準備選角，靠著觀看影片分析對手的行為和偏好來制定選角策略。大多數隊伍仍然採用手動分析方式，但Team Liquid使用SAP AI Core訓練AI模型，並自動化了這個過程。此外，這項工具也讓隊伍可以針對所有職業隊伍進行選角訓練。

自2000年成立以來，Team Liquid在《Dota 2》與《英雄聯盟》等15款電子競技遊戲中贏得了超過4,300萬美元的獎金和120項重要冠軍，在過去幾十年中，電子競技已悄然成長為一個龐大的產業。

由於電子競技本質上是數位化的，因此從比賽中玩家的移動方式、角色的使用到通過耳機進行的溝通，所有過程都被記錄為數據。

分析部門的總監Hart表示：「每場電子競技比賽平均會收集5萬個數據點，而每天約有2萬場比賽進行。這是非常龐大的數據量。」

Team Liquid的AI應用並不限於選角，他們使用錄下選手比賽中的對話，並使用AI分析這些語音數據來幫助選手提升技術，還可以幫助選手和教練調出訓練所需的影片片段，例如下指令為「請展示Faker使用卡西奧佩婭（Cassiopeia）在5分鐘內獲得單殺的10場比賽。」然後，AI助手會即時提供相關影片來幫助團隊進行分析。

看完這篇文章，其實我對於AI應用在電子競技中的發展沒有很意外，甚至可以說是理所當然，因為就像教練團分享的數據，每天的練習和比賽中累積的成千上萬數據，自然是能透過AI來輔助分析。

但我對於「選手間透過麥克風的交流」也能夠進行數據收集並且透過AI來進行分析這件事感到非常神奇。因為過往我所接觸的生成式工具，可能需要人類把自己的思考轉換成AI可以理解的語言，透過下指令的方式才能夠獲得自己想要的結果，坊間甚至還有很多如何下promt的教學供參考。

可是能夠將人類間口語上即時交流記錄下來並且轉化成可用資料這件事，我覺得非常新奇。我想到如果做使用者調查時，要將訪問的質化資料翻譯成能夠整理分析的數據資料其實沒有很容易，因此看到這篇文章的例子，我不禁去思考這樣的技術是會有一定的限制，導致它只能用在電子競技圈嗎？（例如需要超大量的資料量來支撐等）如果不是的話，它可以用在更多層面嗎？

總而言之透過這篇文章我對於AI的應用有了一些不同的看法，雖然還沒有想法，也沒有成為下指令大師(?)，但是在此與各位分享。

題外話韓國人對於T1真的是炙熱的愛，我有韓國朋友（也是直男謝謝）一見面就問我認不認識Faker？我能說什麼，我只能說我不但知道，還知道T1現役那幾位選手本名叫什麼。