梦晨 发自 凹非寺
量子位 报道 | 公众号 QbitAI
AlphaGo在围棋界大*四方时就有人不服：有本事让AI斗地主试试？
试试就试试。
快手团队开发的斗地主AI命名为DouZero，意思是像AlphaZero一样从零开始训练，不需要加入任何人类知识。
只用4个GPU，短短几天的训练时间，就在Botzone排行榜上的344个斗地主AI中排名第一。
而且还有在线试玩（链接在文章最后），手机也能运行。
在线试玩中演示的是三人斗地主，玩家可以选择扮演地主、地主的上家或下家。
选择当地主来玩玩看，可以打开显示AI手牌功能，更容易观察AI决策过程。另外可以设置AI考虑时间，默认是3秒。
在AI的回合，会显示面临的决策和每种打法的预测胜率。
有时可以看到AI并不是简单地选择当前胜率最高的打法，而是有更全局的考虑。
从博弈论的角度看，斗地主是“不完全信息博弈”。
围棋是所有棋子都摆在棋盘上，对弈双方都能看到的完全信息博弈。
而斗地主每个玩家都看不到其他人的手牌，对于AI来说更有挑战性。
在棋牌类游戏中，虽然斗地主的信息集的大小和数量不如麻将，但行动空间有10^4，与德州扑克相当，而大多数强化学习模型只能处理很小的行动空间。
斗地主的所有牌型总共有27472种可能。
像下图的手牌就有391种打法。
且斗地主的行动不容易被抽象化，使搜索的计算成本很高，像Deep Q-Learning和A3C等强化学习模型都只有不到20%的胜率。
另外作为不对称游戏，几个农民要在沟通手段有限的情况下合作并与地主对抗。
像扑克游戏中最流行的“反事实后悔最小化”(Counterfactual Regret Minimization)算法，就不擅长对这种竞争和合作建模。
首先将手牌状态编码成4x15的独热(one-hot)矩阵，也就是15种牌每种最多能拿到4张。
DouZero是在Deep Q-Learning的基础上进行改进。
使用LSTM(长短期记忆神经网络)编码历史出牌，独热矩阵编码预测的牌局和当前手牌，最终用6层，隐藏层维度为512的MLP(多层感知机)算出Q值，得出打法。
除了“学习者”全局网络以外，还用3个“角色”网络分别作为地主、地主的上家和下家进行并行学习。全局和本地网络之间通过共享缓冲区定期通信。
△学习者和角色的算法
DouZero在48个内核和4个1080Ti的一台服务器上训练10天击败了之前的冠军，成为最强斗地主AI。
下一步，加强AI间的协作对于之后的工作，DouZero团队提出了几个方向：
一是尝试用ResNet等CNN网络来代替LSTM。
以及在强化学习中尝试Off-Policy学习，将目标策略和行为策略分开以提高训练效率。
最后还要明确地对农民间合作进行建模。好家伙，以后AI也会给队友倒卡布奇诺了。
柯洁在围棋被AlphaGO击败以后，2019年参加了斗地主锦标赛获得了冠军。
不知道会不会有AI“追*”过来继续挑战他。
在线试玩：
https://www.douzero.org
GitHub项目地址：
https://github.com/kwai/DouZero
论文地址：
https://arxiv.org/pdf/2106.06135.pdf
参考链接：
[1]https://www.sohu.com/a/285835432_498635
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
