Czy AlphaGo może blefować w pokera?

Jeden z naukowców odpowiedzialnych za AlphaGo, oprogramowanie Google DeepMind, które ostatnio pokonało jednego z najlepszych graczy Go na świecie, mówi, że to samo podejście może wytworzyć zaskakująco kompetentny bot pokerowy .

W przeciwieństwie do gier planszowych, takich jak Go czy szachy, poker jest grą o niedoskonałych informacjach iz tego powodu okazał się jeszcze bardziej odporny na komputeryzację niż Go.

Rozgrywka w pokera polega na opracowaniu strategii opartej na kartach, które masz w ręce i zgadywaniu, co jest w rękach twoich przeciwników. Pokerzyści próbują odczytywać zachowanie innych przy stole, używając kombinacji statystyk i bardziej subtelnych wskazówek behawioralnych.

Sztuczna Inteligencja: to rodzaj magii.

Z tego powodu zbudowanie skutecznego bota pokerowego przy użyciu uczenia maszynowego może mieć znaczenie dla rzeczywistych zastosowań sztucznej inteligencji. Gra ma związek z teorią gier, która dotyczy sytuacji związanych z negocjacjami i kooperacją.

Chociaż Go jest niesamowicie złożona, a jej zasad strategicznych nie da się łatwo zakodować, AlphaGo przynajmniej było w stanie zobaczyć każdą część gry. AlphaGo wykorzystało kombinację dwóch technik sztucznej inteligencji, uczenia głębokiego wzmocnienia i wyszukiwania drzewa, aby wymyślić zwycięskie ruchy Go. Głębokie uczenie się ze wzmocnieniem obejmuje trenowanie dużej sieci neuronowej z pozytywnymi i negatywnymi nagrodami, a wyszukiwanie drzew to matematyczna strategia patrzenia w przyszłość w grze.

David Silver , główny badacz stojący za AlphaGo i wykładowca na University College London, opublikował artykuł na początku tego miesiąca opisałem próby zbudowania bota pokerowego przy użyciu podobnych technik.

Razem z Jana Henryka Silver wykorzystał uczenie się z głębokim wzmocnieniem, aby stworzyć skuteczną strategię gry zarówno w Leduc, uproszczonej wersji pokera obejmującej tylko talię sześciu kart, jak i Texas hold’em, najpopularniejszą formę gry. Dzięki Leduc oprogramowanie osiągnęło równowagę Nasha, co oznacza optymalne podejście zgodnie z definicją teorii gier. W Texas Hold’em osiągnął wyniki eksperta ludzkiego gracza.

Tymczasem zespół naukowców z Uniwersytetu Oksfordzkiego i Google DeepMind zwrócił uwagę na dwie gry karciane inspirowane fantastyką — Magic: the Gathering i Hearthstone.

Te gry polegają na graniu w karty reprezentujące różne zaklęcia, broń lub stworzenia przeciwko przeciwnikom. Ta praca jest znacznie bardziej wstępna i po prostu zaangażowana trenowanie sieci neuronowej w celu interpretacji informacji wyświetlanych na każdej karcie , który może być uporządkowany, jak w określonym kolorze lub numerze, lub nieustrukturyzowany, jak w tekście opisującym, co się dzieje, gdy karta jest zagrana.

Mimo to zespół AI Google najwyraźniej nie zakończył jeszcze budowania nadludzkich botów do gier.

(Czytaj więcej: Kotaku , Opiekun , Pięć lekcji z historycznego zwycięstwa AlphaGo )

ukryć