false

线上德州扑克面临严峻考验

几周前，谷歌宣称他们的人工智能围棋，这般存在，以5比0的比分，战胜了那三届欧洲冠军樊麾职业二段。围棋，它可是一种极难被电脑攻克的棋类游戏，所以，当看到一个实力强劲的棋手被AlphaGo打败之际，我们究竟是应该庆贺，还是应该震惊，又或者是两者都有。对于扑克玩家而言，说不定会担心面对扑克人工智能时将会败下阵来。

什么是Go？

Go这个用语，是那世界上最为古老的棋盘游戏，也就是围棋的英文名字，围棋它起源于中国，在日本，也就是被称作igo的地方同样流行，在韩国，也就是被称作Baduk的地方也流行。两个人，轮流着在棋盘之上落子，其中一个使用黑棋，另一个使用白棋。目标在于围住对方的棋子，当对方的棋子被完全围住之际，就被抓获。游戏结束的时候，通过比较双方占领棋盘的面积来分出胜负 。

围棋规则极为简单，其简单程度远超其他抽象的策略类游戏，然而其含义却相当复杂。对于电脑而言，难度源自游戏空间的规模。国际象棋具备固定的初始设定，围棋则不然；所以国际象棋仅能采用8*8的棋盘，围棋却能够在不改变规则的情形下随意调整棋盘大小。现今正式投入使用的围棋盘是19*19，以往也曾经使用过17*17的棋盘。也许未来的某一天会考虑采用21*21的棋盘，当原有的19*19棋盘无法满足职业水准的时候。

围棋的棋盘较大，这表明相较于国际象棋，围棋每走动一步棋，都存在着更多的落子选择可能性，鉴于每一步棋都大概拥有上百种选择情况，所以这是无法依靠蛮力去解决的，这种状况让围棋对于人工智能而言，成为了一项饶有趣味的挑战。

无上限德州扑克，另一个困难的游戏

扑克牌跟围棋相同，对于电脑来讲极难攻克，阿尔伯塔大学的迈克尔·鲍林教授以及同事针对有上限德州扑克实施了“弱解决”，他们能够知晓在起始状况下，怎样能够确保必定不会失败，然而人类依旧能够在无上限德州扑克中战胜人工智能。

假如你想弄清楚为何呈现这般状况，那你就得知晓扑克游戏里每个瞬间的变量。于有上限德州扑克之中，动作向来不会超出三个：于开牌之前能够抉择跟牌或者下注，当面临跟注之际能够抉择弃牌、跟牌或者加注。然而在无上限德州扑克里，下注的额度能够从最小值一直到全压。人脑能够把思考游戏的步骤予以简化，存在几个标准的赌注大小（不管是百叶窗或者百分比），但是当前的人工智能却需要针对每一条街（德州扑克术语）分别去思索该作怎样的下注，而并非将其视作一个整体的操作。

另外，鉴于扑克属于一种存在不完善信息状况的游戏，无上限德州扑克在加注这一行为上，于次数以及数量方面均不存在限制。当任何额度的下注行为能够被准许成立以后，此时扑克游戏所蕴含的极限情景出现爆炸式变化，进而致使无上限扑克蜕变成超出围棋一个层级的“更大”的游戏。

神经网络与机器学习

此处在人工智能方面，从字面意义来讲，更侧重于“智能”这一方面，并非是去研发专门的算法用以解决特定的问题。神经网络的研究尝试去模拟人类大脑的低级别操作，期望有朝一日能够训练出这样的程序，使其能够执行任何给定的任务。

再一次进行重申，细节并非是极为重要的，除非这属于你感兴趣的领域范畴，然而有那么几件事情是你需要去了解知晓的。首先，那个算法在最开始的时候并不“清楚”该如何去做任何任何的事情，不过它能够对自身在某些方面存在的局限性予以纠正。它需要在一些较为便利的格式之中进行输入，并且初步产生随机性质的输出。接着，它所具有的输入数据（举例来说，像是围棋棋谱记录或者扑克记录之类的），随后会有输出（好比判断谁赢得了游戏等等之类的）。然后将其输出与输出目标进行比较，并且对其内部参数做出调整，尝试想办法把两者紧密地联系到一起。历经好多好多回的迭代之后，其输出开端愈发紧密地与所需的解决方案相匹配。恰似一个处于成长进程中的孩子犯了错，获取老师以及父母的反馈，进而逐渐改正错误 。

其次，存在这样一个有点令人担忧的事实，这些学习算法一旦被训练成功，其创造者可能并不清楚它们是怎样工作的。他们能够理解学习过程本身，然而最终的决策却是以涉及整个网络的整体方式进行的。想要通过检查低级别的代码去了解它的“逻辑”，这是毫无意义的，这就好比是试图通过一个单一的神经元去解读人的大脑。这是近期阻碍神经网络进展的原因当中的一个。当人工智能的工作成果不尽如人意时，它几乎没办法告诉你错误究竟出在什么地方。

组合方法

神经网络存在大弱点，在于其有那个所谓的一般原则，也就是在网络中，若倾向广度，那么深度就会被牺牲掉，反过来讲，倘若倾向深度，宽度必遭受牺牲，这是其一。其二呢，除了调试当中会涉及那颇具难度的情况外，神经网络还有这样的状况。其三德信竞技，一个通用的解决办法很难变为最优的方案。其四，虽然神经网络在任何挑战里都能够得以应用，然而具体的问题运用手工算法会获得更好的解决结果。

就任何给定的问题来看，一个专门的算法理应比一个 神经网络的表现更优。然而写这样的算法，要求程序员在理论方面知晓怎样解决此问题。可是，在谈及人类直觉的问题之际，我们对大脑的探索极为有限：当职业棋手无法预见到最终的场面时，那他究竟是怎样判断出自己已然赢了呢？只能说这是一种所谓的“经验”。

致使AlphaGo这般令人难以相信地强大的，正是混合的方法。其核心是一种类型树搜索算法，该算法借由蛮力穷举呈现出所有可能的下法。然而，以往的人工智能在每一种可能的下法上均耗费相同的时间，或者依赖明确的、人类编码的启发去告知它们前往何处寻觅。而AlphaGo拥有两个神经网络，其中一个依据它学过的基本策略为它提供建议，另一个神经网络则会借助借鉴历史对局来告诉AlphaGo在何处落子能够赢得比赛。在这两种神经网络相结合的状况下，这些引导它借助游戏树，并且确保它更多地耗费处理器功率，从而更深入地读取最具前途的分支。

完善VS不完善信息：不同的技术

这个对比或许并非极为精准，原因在于围棋与扑克之间存有一个根本差异，即围棋不存在概率以及隐藏信息方面的问题，然而扑克却存在两种因素，也就是随机的底牌与未知的对手手牌，这致使这两个游戏在解决问题之际会运用截然不同的方法，在完善信息游戏里完美的策略是“绝对”，就像围棋那样。

这意味着，从理论层面来讲，围棋的每一个局面之下，都存在着一个正解，你的对手能够接收到与你相同的信息。在不完善信息的游戏当中，完美的策略是典型的那种“混合”情况，就像扑克那样。这意味着牌手会在几种不同的选择里面，对概率进行权衡。比如说，在一个给定的情形之下，机器给出的理想策略是，弃牌所占的比例为30%，加注所占的比例为70%。一定量的不可预测性是必不可少的，目的在于避免向对手传达信息。

在人类进行分析时，不完善信息的游戏一般会运用源于经济学一个分支的传统博弈论。另一方面，完善信息的游戏，我们更倾向于采用属于数学一个分支的组合博弈论。这里涉及一种名为“超现实”的事物，它仅适用于信息完善的游戏，且不包含随机性或不确定性。

同样，人工智能研究领域始终被划分成不一样的类别，像围棋以及扑克。这些阵营里的每一个都存有自身的技术，形形色色的树搜索适宜于完备信息游戏；极大极小或者遗憾最小化适宜于策略和隐匿信息的游戏。要是你并非一名人工智能研究人员，那就没必要知晓这些术语的含义是什么，你只需明白它们是全然不同的，而且针对某一类游戏的技术通常不适用于别的类。

对德州扑克的威胁

倘若神经网络足以应用于任何问题，并且AlphaGo已然证明它们能够有效地结合更具专业性的算法，那么不存在理由去不相信我们将会目睹“神经复杂化”的扑克人工智能。

首先，当下最为出色的扑克人工智能，仅能够单独地处理每一副牌，并非去顺应对手的打法以及习惯。一个神经杂化的扑克人工智能，能够被应用于整场比赛，并非仅针对个人的操作予以分析。如此一来，这个扑克人工智能可对水平欠佳的玩家实施诈唬，而对水平较高的玩家运用更为平衡的策略，恰似一名真正的顶级牌手似的。

比传统的GTO机器人能带来更大收益的，是神经杂化的人工智能，这是明显能看出来的事实。除此之外，使用这种机器人更危险的地方在于，极难被发现。当前多数机器人存在弱点，它们从不调整，从不感到疲惫、心烦意乱，也不具有侵略性。扑克网站能靠数据统计以及对牌手倾向分析，找出有问题的玩家，然而要是一个机器人能依据对手做出调整，想要找到它的破绽就变得十分困难。

哪怕是当下，种种迹象显示，扑克网站正处在检测机器人的状态中。去年，有个俄罗斯奥马哈机器人，在PokerStar（美国极为流行的线上扑克网站）上网玩、作弊，却没被发觉，一直到某一天，有个玩家在给自己的记录做统计之际，才察觉到了这个异样情况。如今，该网站已然开始要求特定的某些玩家，在比赛期间录制自身操作的视频，目的是用来证明他们未曾使用机器人助手。这同样表明，就算存在怀疑，安全小组也不容易判定究竟有没有作弊 。

首先，我要表明，我所指出的内容并非是针对PokerStar，而是意在说明，鉴于其身为世界上规模最为庞大的扑克网站，你所能期望的便是他们配备最为优秀的安保人员；一旦连这样的网站都陷入困境，你能够想象得出其他扑克网站会是怎样的状况。其次，如果在未来，每一个人都企图借助神经杂化的人工智能去参与线上扑克游戏，那么你便没有办法缉捉到作弊之人了。

AlphaGo vs 李世石

对于AlphaGo实力的知悉，仅仅局限于去年10月，AlphaGo与樊麾进行的五番棋。樊麾，有着“三届欧洲冠军”之称，听起来着实相当厉害。然而，围棋在亚洲以外的国度并非那般流行，并且所有顶级棋手都汇聚于三个国家：中国、日本以及韩国。战胜樊麾，恰似战胜芬兰国家篮球队那般，能够确定的是，这的确是一项令人记忆深刻的壮举，可这绝对不表明你可以与NBA级别的篮球队相抗衡。

下月，AlphaGo会迎来真正的考验，那是与韩国传奇李世石九段的五番棋对决，获胜一方能拿到一百万美元奖金，也如预料那般，计算机界对AlphaGo保持乐观，然而棋手觉得李世石起码在未来一到两年内不会被人工智能击败。

不幸的是，评估alphago真正的力量存在一定难度，因为它并非致力于摧毁对手，而是尽力使自身获胜概率达到最大化。有时，在与樊麾对决时，它看似较为保守，然而它依旧以5比0的成绩零封对手；这如同表明樊麾的表现未能激发AlphaGo的真正实力。所以这使我产生了些许犹豫，不过截至目前，我依旧谨慎地看好李世石能够取胜。有一件事情是确定无疑的，那就是无论最终结果怎样变化，我都会对其进行持续关注。要是你也对扑克的未来怀有担忧之情，你同样应该关注这件事情。

（原载PtP 文森特译）