【AlphaGo之后会是什么】一文读懂人工智能打德扑真实的生活

新智元专栏

作者：邓侃

【新智元导读】攻克围棋后，什么是AI的下一个征程？打扑克！相比信息完全可见的围棋，能够猜疑、虚张声势的德扑要困难得多。冷扑大师Libratus是首个在无限手一对一德扑中战胜人类职业玩家的AI，相关论文也在NIPS 2017获得了最佳论文奖。不过，这篇论文不是一般的难！本文中，邓侃博士将从纳什均衡策略、反事实最佳策略等4个方面，生动举例，带你读懂人工智能如何打德扑。

真实的生活，（不会像围棋那样）可以毫无遮拦地洞察整个棋局。真实生活中充斥着虚张声势、欺诈、揣度对方心理。这才是我所研究的博弈。

——冯·诺依曼

冷扑大师 Libratus 与“冷门” NIPS 2017 最佳论文

CMU 教授 Tuomas Sandholm 及其学生 Noam Brown 所开发的人工智能德扑系统 Libratus，被国内同行翻译成 “冷扑大师”。冷扑大师在 2017年1月，与四位德扑职业高手对阵，大获全胜，赢得了接近总数的筹码 [1]。

2017年11月，Noam Brown 与 Tuomas Sandholm 合著的论文，“Safe and Nested Endgame Solving for Imperfect-Information Games”，获得 NIPS 2017 最佳论文奖 [2]。

但是这篇最佳论文，在国内业界引起的讨论，似乎不算特别热烈。原因可能有三条，

1. 这篇论文非常不好懂。光数学符号的定义，就整整占了一节内容。数学符号定义结束后，是很大篇幅的定理证明。初读一遍，云里雾里。

2. 非热门的理论根基。当下热门的机器学习领域，是深度学习和强化学习。而这篇论文的理论根基，是博弈论和运筹学。

3. 方法论的通用性。若干读者认为，冷扑大师的算法，可能仅仅适用于德扑，或者充其量能够扩展到其它棋牌类游戏。应用前景有限。

11月8日，Tuomas Sandholm 来北京参加新智元举办的世界人工智能大会AI World 2017，并做主题演讲。餐叙时，Sandholm 教授对笔者说，从应用前景来说，冷扑大师的算法，不仅可以用于赌博，也可以用于谈判，拍卖定价，投资决策等等。

11月8日，Tuomas Sandholm（中）来北京参加新智元举办的世界人工智能大会，餐叙时与新智元创始人兼CEO杨静（左）和本文作者邓侃博士交流

从方法论来说，冷扑算法的理论根基是博弈论和运筹学。而强化学习学习的理论根基是马尔科夫决策过程和动态规划。虽然来源不同，但是终将殊途同归。

冷扑算法与强化学习和深度学习殊途同归之日，必将大放异彩。

冯·诺依曼曾经这样说，“真实的生活，（不会像围棋那样）可以毫无遮拦地洞察整个棋局。真实生活中充斥着虚张声势、欺诈、揣度对方心理。这才是我所研究的博弈。”

读懂冷扑大师这篇最佳论文，关键是理解四个概念，

1. 纳什均衡策略，

2. 反事实最佳策略，

3. 抽象，

4. 终局。

冷扑大师的算法与纳什均衡策略：不让对方占便宜

目前冷扑大师只会打双人德扑。当然，把算法改进一下，多用几核 GPU，也可以打多人德扑。

打德州扑克时，先发给每个牌手两张暗牌，然后陆续发 5 张明牌，期间 4 轮下注，最后比大小 [3]。

德扑难在揣摩对手的两张暗牌。公开的信息，是 5 张明牌和双方下注的历史。但是，对方不会严格按照自己手中的暗牌来下注，而是有意夹杂着各种误导战术，譬如虚张声势等等。

冷扑大师是如何识别对手的下注策略呢？

其实，冷扑大师不推测对手的下注策略。

稍微具体一点，冷扑大师追求的目标，是能够达到纳什均衡（Nash Equilibrium）的策略。纳什，就是著名的数学家，电影《美丽心灵》的男主角。纳什均衡策略，是不让对方占便宜的策略。

纳什均衡策略是被动的防御策略，而不是主动的进攻策略。也就是说，纳什均衡策略不揣度对手的下注策略。

举个例子，假如对方的策略，是不论自己手上的暗牌是什么，不动脑子地一味跟着我方下注。打了几手以后，即便我方发现了对方的策略，根据纳什均衡，我方也不会趁自己牌好时，冒进地抬高赌注，赚对方便宜。

纳什均衡策略，不揣度对方的策略。但是，对方会不会寻找纳什均衡策略的漏洞？

理论上说，纳什均衡策略能够保证，在经过了多次牌局摈除了运气的成分后，是不存在被对方利用的漏洞的。

问题是，冷扑大师的算法，是不是严格意义上的纳什均衡策略？这篇论文，之所以大段大段证明数学定理，目的就是为了证明，至少在一对一的情况下，冷扑大师的算法，是逼近纳什均衡策略的。

如何寻求最佳下注策略？先做一个下注对应表

既然纳什均衡策略不揣度对手的下注策略，那么就可以用机器自我博弈的办法，尽可能枚举各种可能的牌局，寻求最佳的下注策略。

我们不妨做一张下注对应表（Action Mapping），七列，若干行。

第一列：我方手中的两张暗牌

第二列：牌桌上已经发了的明牌，最多有 5 张明牌

第三列：双方下注的历史

第四列：我方手上剩下的筹码

其实，可以通过第三列（双方下注的历史）来推算第四列（我方手上剩下的筹码）。设置第四列的目的，是为了方便。

第五列：对方手上的两张暗牌

第六列：我方决定马上要下注的筹码数量

第七列：对应第六列决策的收益

前四列是输入，论文中被称为局面（Information Set，InfoSet）。后三列是输出，分别是推测、决策和收益。

假如我们有足够的计算能力，我们枚举各种可能的局面（InfoSet）。

第一列，我方手上两张暗牌（pre-flop），总共有 (52 * 51) / (2 * 1) = 1,326 种组合。

第二列，先发三张明牌（flop），总共有 (50 * 49 * 48) / (3 * 2 * 1) = 19600 种组合。然后，再两次发单牌（turn、river）。加起来，总共有 19600 + 19600 * 47 + 19600 * 47 * 46 = 43,316,000 种组合。

如果把第一列和第二列的所有组合加在一起，那么总数是 1,326 * 43,316,000 = 57,437,016,000。

第三列下注及其历史，组合数量就更多了。所以，这张表的行数巨大，论文上说是 10^165 行。这个数量级太大了，即便用当今世界最强大的云计算系统，估计也得算上几十年。

不过，假如我们有足够的计算能力，能够遍历出这张表，那么我们就可以计算出面对特定的牌局，各种下注决策对应的平均收益。

譬如，发完全部 5 张明牌之后（river），对方手里的两张暗牌，总共有 (45 * 44) / (2 * 1) = 990 种组合。又假如，前三轮下注（pre-flop, flop, turn），总共有 N 种下注历史。这时候如果轮到我方下注，每一种下注策略，譬如下注手头剩下的全部筹码（all in），将面临 990 * N 种可能的收益。这 990 * N 种收益的平均值，就是这种下注策略的平均收益。

面对特定的牌局，我们计算出了各种下注决策对应的平均收益以后，就可以找出平均收益最高的那种下注决策。

平均收益最高的那种下注决策，是否就是纳什均衡策略？不是。

原因是，当对方手里的暗牌的牌力很低时，譬如对方手里的两张暗牌是一张红桃三一张梅花六（3h6c），对方大金额下注的概率很低。

那么，如何估算对方下注策略的概率？

这个问题比较复杂，因为对方下注，不仅仅依据对方手里的暗牌和桌面的明牌，而且，对方会根据我方下注的历史，来估算我方手里的暗牌。

反事实最佳策略：寻找纳什均衡策略的流行算法

反事实最佳策略（Counterfactual Best Response, CBR )，是一种近年来比较流行的，寻找纳什均衡策略的算法 [4]。

反事实最佳策略有三大要素：1. 模拟，2. 悔牌（regret），3. 迭代（iteration）。

面对各种局面（InfoSet），也就是前述的局面下注对应表的前四列，先假设我方以随机均等概率选择下注策略。这样经过一系列发牌和下注，牌局结束，然后清点我方的收益或损失。

这样模拟几亿次牌局，大致覆盖各种可能的局面。

然后悔牌。面对某种特定局面，也就是固定住对应表的前四列，换句话说，也就是我方有特定的两张暗牌，桌面上有最多五张特定的明牌，再加上特定的下注历史。悔牌的意思是，面对某种特定局面，我方不随机选择下注策略，而是只认定一种下注方式，譬如跟注（call）。

悔牌以后，后续亮出的明牌，不会改变。但是我方和对方，后续下注的历史会发生改变。

把刚才几亿次牌局，重新模拟一遍。重新模拟时，双方暗牌和桌面上的明牌不变，发牌顺序不变，悔牌以前的下注历史不变，但是悔牌以后的下注历史改变。每次下注时，除了悔牌那个特定策略，其余的下注策略不变。

这样重新模拟了一次以后，就可以计算出悔牌的策略，平均收益是多少。

然后换一种悔牌策略，也就是面对同样局面，只认定另一种下注方式。譬如前一次悔牌的策略是跟注（call），这一次模拟的悔牌策略，改为加码（raise），然后把刚才几亿次牌局，重新模拟第二遍。这样就可以计算出第二种悔牌策略的平均收益。

模拟了若干次以后，就可以估算出，面对同样的局面，各种可能的悔牌策略，及其平均收益。

重复以上模拟过程，确定各种局面的各种策略，及其平均收益。

然后，更新下注对应表（Action Mapping）。先清空表中第五列，也就是不枚举对方手上的两张暗牌。然后在第七列，填入每一种下注策略的平均收益。

以上是第一轮模拟和悔牌，然后进行第二轮模拟。

第二轮模拟时，先假设对方仍然按照随机均等的概率，选择下注策略。而我方根据第一轮更新后的下注对应表，选择下注决策。

面对同样一个局面，也就是表中的前四列，我方按以下方式选择下注策略。

1. 先根据当前的局面，也就是暗牌明牌加下注历史，找到更新后的下注对应表中，所有相应的行。

2. 更新后的下注对应表中，第六列是下注策略，第七列是平均收益。根据平均收益，选择下注策略。收益越高，相应下注策略被选中的概率越高。

这样，确定了第二轮模拟的暗牌明牌，发牌顺序，以及我方和对方最初下注历史。

然后，悔牌。并再做一个下注对应表，记录面对各种局面时，各种下注策略的平均收益。

第三轮模拟时，我方用第二版下注对应表，对方用第一版下注对应表。经过多次模拟过程，得到第三版下注对应表。

如此重复迭代。经过多轮模拟迭代以后，所得到的下注对应表，将是逼近纳什均衡的最佳策略。

简化牌局，降低计算负担

如第三节所述，下注对应表中，单单第一列和第二列的组合，就高达 57,437,016,000 种。如果在加上各种可能的下注历史，那么下注对应表的行数，是 10^165 数量级。

另外，用反事实最佳策略算法，来寻找纳什均衡策略，需要经过几十亿次模拟。

下注对应表的行数太多，反事实最佳策略算法的模拟次数太多，导致计算量太大，难以承受。

一个显而易见的解决办法，是简化牌局（Abstraction），以便精简下注对应表的行数。

譬如，一个对子，红桃八和黑桃八（8h8s），与另一个对子，方片八和梅花八（8d8c），这两个对子的牌力，是相似的。所以，可以把两个八的对子，总共 (4 * 3) / (2 * 1) = 6 种组合，都简化成下注对应表中的一行。

但是牌力的计算，需要很仔细，譬如一对八，与一个八一个九，哪一种组合的牌力大？假如 5 张明牌分别是七、十、勾、外加两张散牌，那么一个八一个九可以与明牌组合成从七到勾的顺子，而一对八与五张明牌的最大组合，仍然是一对八。

所以，牌力的计算，不仅要看牌面本身的大小，而且要枚举两张暗牌，与 5 张明牌的各种可能的组合。[5] 详细讲述了牌力的计算方法。另外，也讲述了如何根据牌力，对牌面进行抽象的做法（Card Abstraction）。

DeepStack对牌面进行抽象，详见[5]

不仅对牌面要进行抽象，而且对下注也要进行抽象，譬如只允许四种下注方式，弃牌（fold）、跟注（call）、加码（raise）、孤注一掷（all in）。

经过抽象后，牌局组合的总数，被大大降低。譬如 [4] 把总数为 10^165 的牌局组合，简化到 10^12。

牌局组合总数降低后，反事实最佳策略模拟迭代，就可行了。

终局，误算与精算

但是，简化牌局，会导致误算。譬如根据牌力，我们把一对七与一对八，归为同一种局面。但是，假如双方一路对赌到底，谁也不中途弃牌（fold），只好最后亮牌（showdown）。

亮牌的时候，我方一对七，对方一对八，虽然牌力区别微小，但是却决定最终胜负。这就是所谓误算（Off-tree Problem）。

解决误算的办法，是用精算（re-solving）来替代抽象（abstraction）。

精算的核心，是通过拟合双方下注历史，来反向推算对方手里的两张暗牌，及其概率。

假设我方的两张暗牌是 h1，对方的两张暗牌是 h2。又假设我方和对方，都按照反事实最佳策略来下注，那么就可以通过查找下注对应表，推算出各种下注策略的概率。

譬如，pre-flop 时，我方的暗牌是一对八，对方的暗牌是一对 A。假如首次下注由我方开始，我方加码（raise）的概率很大，但是 all-in 的概率几乎为 0。但是对方 all-in 的概率，会比 0 大很多。

现在给定一个特定的下注历史，我们可以通过查找下注对应表，计算出每一步下注的概率。所谓下注历史，就是一连串的下注，下注历史的概率，就是一连串概率的乘积。

通过计算下注历史的概率，我们不仅可以估算对方手里的暗牌，而且还可以估算对方背离正常的下注策略的幅度和波动，也就是说，我们能够估算得出对方虚张声势（bluffing）的概率。

估算出了对方的暗牌，以及对方 bluffing 的概率，终局的精算，就比较容易了。无非是把对方的暗牌，与我方的暗牌相比较，推算出我方胜出的概率，以此决定下注的金额。

参考文献：

[1] Libratus：http://en.wikipedia.org/wiki/Libratus

[2] Safe and Nested Endgame Solving for Imperfect-Information Games：http://arxiv.org/abs/1705.02955

[3] Texas Hold"em：http://en.wikipedia.org/wiki/Texas_hold_%27em

[4] Regret Minimization in Games with Incomplete Information：http://poker.cs.ualberta.ca/publications/NIPS07-cfr.pdf

[5] DeepStack: Expert-level Artificial Intelligence in Heads-up No-limit Poker：http://arxiv.org/abs/1701.01724