夢晨 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

AlphaGo在圍棋界大殺四方時就有人不服：有本事讓AI鬥地主試試？

試試就試試。

快手團隊開發的鬥地主AI命名為DouZero，意思是像AlphaZero一樣從零開始訓練，不需要加入任何人類知識。

只用4個GPU，短短几天的訓練時間，就在Botzone排行榜上的344個鬥地主AI中排名第一。

而且還有線上試玩（連結在文章最後），手機也能執行。

線上試玩中演示的是三人鬥地主，玩家可以選擇扮演地主、地主的上家或下家。

選擇當地主來玩玩看，可以開啟顯示AI手牌功能，更容易觀察AI決策過程。另外可以設定AI考慮時間，預設是3秒。

在AI的回合，會顯示面臨的決策和每種打法的預測勝率。

有時可以看到AI並不是簡單地選擇當前勝率最高的打法，而是有更全域性的考慮。

鬥地主對AI來說，很難

從博弈論的角度看，鬥地主是“不完全資訊博弈”。

圍棋是所有棋子都擺在棋盤上，對弈雙方都能看到的完全資訊博弈。

而鬥地主每個玩家都看不到其他人的手牌，對於AI來說更有挑戰性。

在棋牌類遊戲中，雖然鬥地主的資訊集的大小和數量不如麻將，但行動空間有10^4，與德州撲克相當，而大多數強化學習模型只能處理很小的行動空間。

鬥地主的所有牌型總共有27472種可能。

像下圖的手牌就有391種打法。

且鬥地主的行動不容易被抽象化，使搜尋的計算成本很高，像Deep Q-Learning和A3C等強化學習模型都只有不到20%的勝率。

另外作為不對稱遊戲，幾個農民要在溝通手段有限的情況下合作並與地主對抗。

像撲克遊戲中最流行的“反事實後悔最小化”（Counterfactual Regret Minimization）演算法，就不擅長對這種競爭和合作建模。

全域性、農民和地主網路並行學習

首先將手牌狀態編碼成4x15的獨熱（one-hot）矩陣，也就是15種牌每種最多能拿到4張。

DouZero是在Deep Q-Learning的基礎上進行改進。

使用LSTM（長短期記憶神經網路）編碼歷史出牌，獨熱矩陣編碼預測的牌局和當前手牌，最終用6層，隱藏層維度為512的MLP（多層感知機）算出Q值，得出打法。

除了“學習者”全域性網路以外，還用3個“角色”網路分別作為地主、地主的上家和下家進行並行學習。全域性和本地網路之間透過共享緩衝區定期通訊。

△學習者和角色的演算法

DouZero在48個核心和4個1080Ti的一臺伺服器上訓練10天擊敗了之前的冠軍，成為最強鬥地主AI。

下一步，加強AI間的協作

對於之後的工作，DouZero團隊提出了幾個方向：

一是嘗試用ResNet等CNN網路來代替LSTM。

以及在強化學習中嘗試Off-Policy學習，將目標策略和行為策略分開以提高訓練效率。

最後還要明確地對農民間合作進行建模。好傢伙，以後AI也會給隊友倒卡布奇諾了。

柯潔在圍棋被AlphaGO擊敗以後，2019年參加了鬥地主錦標賽獲得了冠軍。

不知道會不會有AI“追殺”過來繼續挑戰他。