AI 助力帆船远航：跨越海洋的创新力量
AI 助力帆船远航：跨越海洋的创新力量
2024年12月2日修改
在国际体育赛事中，美洲杯帆船赛作为最古老的奖杯赛事，其魅力不仅在于帆船运动本身，更在于科技与创新的融合。2021 年 3 月 17 日，第 36 届美洲杯帆船赛拉开帷幕，卫冕冠军新西兰酋长队（Emirates Team New Zealand）成功捍卫了他们的冠军头衔，而这一胜利的背后，离不开一个特殊的“船员”——由麦肯锡打造的 AI 机器人。
美洲杯帆船赛的竞争异常激烈，船只设计受到“级别规则”的限制，这使得各参赛队在船体设计上的调整空间极为有限。然而，在今年的比赛规则中，对于 75 英尺长的参赛船只，水翼的设计是允许进行修改的部分，而这一修改若能恰到好处，将为船队带来巨大的竞争优势。
为了加快对新西兰酋长队船只设计的测试，麦肯锡高级合伙人布莱恩·福克斯（Brian Fox）表示，每艘参加美洲杯的船只都是通过计算机模拟器进行设计的，而拥有最佳模拟器并能最有效利用它的团队将获得优势。2019 年，新西兰酋长队与麦肯锡合作，开启了一项寻求这一优势的创新项目。他们意识到，需要一种能够同时操控数千艘船进行测试的新型“船员”，于是 AI 机器人应运而生。这个机器人能够在新西兰酋长队的模拟器上测试新的水翼设计。
为了实现这一目标，麦肯锡团队，包括来自其分析公司 QuantumBlack 的同事，首先将目光投向了云端。在六周的时间里，来自悉尼、墨尔本和伦敦的数据、分析和机器学习专家将新西兰的模拟器迁移到云端，并开发了一个基础设施来在云端运行它。
随后，团队采用了一种名为深度强化学习的创新方法，来教会 AI 机器人如何成为一名专业的水手。这种技术使得机器人能够通过动态学习，并通过持续的反馈获得更高的准确性。项目关键领导者之一的尼克·霍恩（Nic Hohn）解释说，一开始，AI 代理一无所知，它通过无数变量（如风速、风向、对 14 种不同帆和船的控制的调整）进行反复试验和错误来学习，并不断地进行改进。由于机器人不断地进行实验，如果以正确的方式指导它学习，它可以在几个小时内完成人类需要数年才能理解的内容。
这是一个关键的突破，它能够将水手的日程安排从设计测试中排除，实现 24/7 快速重复测试。QuantumBlack 的首席科学家雅科莫·科尔博（Jacomo Corbo）表示，这项工作技术含量很高，需要围绕机器人的学习程序进行大量的创新思考，以确定正确的学习模型、最佳的指导方式以及合适的防护措施和奖励机制。
团队还创建了一个网络，使多个机器人在学习航行时能够共享信息。这是一个重要的突破，因为它允许单个机器人从集体经验中获取知识。最终，有一千个机器人并行运行，相互学习。尼克说：“这是大规模的学习，它极大地减少了项目的时间和成本。这就是云的力量。”
在短短两周内，机器人已经能够在模拟器中直线航行，迎风和顺风行驶。掌握了基本操作后，它开始学习更复杂的航行动作。大约八周后，转折点出现了，AI 机器人开始在模拟器中击败水手。此时，机器人成为测试水翼变化的理想方式，它比水手更具一致性和可扩展性，极大地加快了设计迭代的周期。麦肯锡合伙人、欧洲 QuantumBlack 领导团队成员、世界冠军水手海伦·梅休（Helen Mayhew）观察到：“这是一个关键的突破，能够将水手的日程安排从等式中剔除，实现 24/7 快速重复测试设计。”
很快，水手们开始从机器人那里学习操作技巧。专家副合伙人奥利弗·弗莱明（Oliver Fleming）解释说：“在如此陡峭的发展曲线下，加速学习过程非常有价值，这既有助于设计团队尽可能多地探索设计空间，也有助于水手们在给定的设计中最大限度地提高性能。”
在 2019 年和 2020 年初的过程中，机器人将新西兰的设计过程加快了十倍。这场比赛的结果证明，强化学习可以成为流程设计的变革性工具，在各个行业都有潜在的应用。
雅科莫说：“这是在公共云中最复杂的深度强化学习部署之一。思考这个问题的难度的一种方式是：游戏树的复杂性大致相当于在考虑需要采取的一系列可能的游戏路径或决策序列时，必须导航的空间大小。围棋是一种极其复杂的棋类游戏，其游戏树的复杂性为 170，而我们的帆船问题的游戏树复杂性接近 2900。”
掌握这样的技术复杂性，特别是在这种应用中，使参与这个项目的每个人都感到兴奋。尼克说：“能够使用技术和 AI 来掌控风和水，并尽可能地快速航行，这是非常令人激动的。这不是我们所熟知的帆船运动，它更接近于驾驶低空飞行器。”
总之，AI 技术在美洲杯帆船赛中的应用，不仅为新西兰酋长队的胜利做出了贡献，也为科技在体育领域的应用开辟了新的道路。这种创新的合作模式和技术应用，有望在未来的各个领域中发挥更大的作用，推动人类不断挑战极限，实现更多的不可能。