從《星海爭霸》到 Google 資料中心：AI 如何走入現實世界的決策控制
課程背景
在 UC Berkeley CS294-196 (Fall 2025) 的課程中，Clay Bavor（Google 前副總裁、Sierra 共同創辦人）分享了他在 Google 生態系中，如何將研究團隊的成果轉化為可實際部署系統的經驗。這不僅是關於 AI 的演進，更是關於「如何讓 AI 在複雜系統中變得可靠」。
如果你是《星海爭霸》（StarCraft II）的玩家，會對這段歷程感到格外親切；但即便不是玩家，也能從中理解 AI 從「遊戲行為」轉向「工業控制」的關鍵思維。
📌第一階段：AlphaStar 的技術突破
AlphaStar 是 DeepMind 於 2019 年發表的系統。與早期解決棋類遊戲的 AlphaZero 不同，AlphaStar 面對的是一個更接近現實的環境：高度複雜、不完全資訊、且為即時（非回合制）決策。
為了克服這些難題，AlphaStar 引入了核心機制：
聯盟訓練（League Training）： 讓多個 Agent 彼此競爭，而非僅僅自我對弈。
剋星策略（Exploiters）： 專門訓練一批 AI 來找現有最強策略的弱點，強迫系統不斷演化。
穩健性（Robustness）： AlphaStar 顯示的關鍵點在於：在複雜系統中，單一的最優解通常是脆弱的，必須透過對抗訓練來培養在各種極端情境下（Corner Cases）都能存活的穩健策略。
AlphaStar 顯示，在高度複雜的對抗系統中，單一自我對戰容易收斂到脆弱策略，必須透過多樣化對手與刻意設計的對抗壓力，才能學到穩健行為。
📌第二階段：將技術「接地」——從電競到資料中心
看著AlphaStar 在遊戲內行雲流水，我的腦袋不禁思考：AI 這麼強，為什麼還沒變成 AGI（通用人工智能）？
雖然資料中心冷卻控制在時間線上早於 AlphaStar，且由不同的團隊負責，但它們在 Google 的 AI 發展史中共同指向同一個里程碑：做出在特定控制指標上，比人類經驗法則更穩健的決策。
關鍵在於「環境的邊界」。 StarCraft 是一個雖然複雜，但規則固定、可被高度工程化模擬的封閉系統。而在現實生活中，資料的混亂程度與使用者的隨機性，使得 AI 容易顯得「傻里傻氣」。
共通的訓練邏輯：
可建模的物理系統： 資料中心的溫度、電力負載與設備狀態可以被精準建模，形成一個「封閉且可模擬」的環境，這與遊戲引擎如出一轍。
長期策略大於即時優化： 冷卻控制不是只看當下的溫度，而是要預測未來負載對系統的影響。這與星海爭霸中的「長程布局（Long-horizon planning）」邏輯一致。
追求穩健而非投機： 就像 AlphaStar 要防範對手的怪招，冷卻系統必須在熱浪、設備故障或負載激增時依然保持安全，這就是「策略學習（Policy Learning）」的威力。
這種對複雜環境的『策略學習』，可能正是今日企業級 Agent 邁向實用的前身。
📌第三階段：AI Agent 的未來——Sierra 的企業級願景
Clay Bavor 離開 Google 後創辦了 Sierra，目標是將這套「可靠、穩健」的 Agentic AI 帶入企業環境。
Sierra 的核心產品是企業級 AI Agent 平台，在設計哲學上，它與 AlphaStar 的精神是一脈相承的：
Agentic Workflows（多步驟任務）： 不再只是對話，而是像打星海一樣，能執行跨系統的長流程決策。
嚴格的 Policy（行為準則）： 借鑒工業控制的經驗，為 LLM 設定嚴格的「護欄」，確保 AI 不會因隨機性而產生幻覺或違規。
可信任的部署： 它的目標不是讓 AI 看起來「更聰明」，而是讓 AI 在充滿變數的企業環境中，像冷卻系統一樣在明確邊界內可預期、可監控且可信賴。
---
前一陣子好忙~ 我回來啦 😚😚😚
