211service.com
Kan AlphaGo bluffa igenom poker?
En av forskarna som ansvarar för AlphaGo, Google DeepMind-programvaran som nyligen slog en av världens bästa Go-spelare, säger att samma tillvägagångssätt kan producera en överraskande kompetent pokerbot .
Till skillnad från brädspel som Go eller schack är poker ett spel med ofullkomlig information, och av denna anledning har det visat sig vara ännu mer motståndskraftigt mot datorisering än Go.
Spelet i poker innebär att utforma en strategi baserad på de kort du har på handen och en gissning om vad som finns i dina motståndares händer. Pokerspelare försöker läsa andras beteende vid bordet med hjälp av en kombination av statistik och mer subtila beteendesignaler.
Artificiell intelligens: det är en sorts magi.
På grund av detta kan det vara viktigt att bygga en effektiv pokerbot med hjälp av maskininlärning för verkliga tillämpningar av AI. Spelet är relevant för spelteorin, som handlar om situationer som involverar förhandling och samarbete.
Även om Go är otroligt komplext och dess strategiska principer inte kan kodas lätt, kunde AlphaGo åtminstone se alla delar av spelet. AlphaGo använde en kombination av två AI-tekniker, djup förstärkningsinlärning och trädsökning, för att komma fram till vinnande Go-drag. Djup förstärkningsinlärning innebär att man tränar ett stort neuralt nätverk med positiva och negativa belöningar, och trädsökning är en matematisk strategi för att se framåt i ett spel.
David Silver , huvudforskaren bakom AlphaGo och föreläsare vid University College London, lagt ut ett papper tidigare denna månad beskrev ansträngningarna att bygga en pokerbot med liknande tekniker.
Tillsammans med John Henry , en forskarstudent vid UCL, Silver använde djup förstärkningsinlärning för att skapa effektiv spelstrategi i både Leduc, en förenklad version av poker som involverar en kortlek på bara sex kort, och Texas hold'em, den mest populära formen av spelet. Med Leduc nådde mjukvaran en Nash-jämvikt, vilket betyder ett optimalt tillvägagångssätt enligt spelteorin. I Texas hold'em uppnådde den prestanda som en expert på mänsklig spelare.
Samtidigt har ett team av forskare vid University of Oxford och Google DeepMind riktat sin uppmärksamhet mot två fantasy-inspirerade kortspel – Magic: the Gathering och Hearthstone.
Dessa spel involverar att spela kort som representerar olika besvärjelser, vapen eller varelser mot motståndare. Detta arbete är mycket mer preliminärt och helt enkelt involverat träna ett neuralt nätverk för att tolka informationen som visas på varje kort , som antingen kan vara strukturerad, som i en viss färg eller siffra, eller ostrukturerad, som i text som beskriver vad som händer när kortet spelas.
Trots det är Googles AI-team uppenbarligen inte färdiga med att bygga övermänskliga spelrobotar.
(Läs mer: Kotaku , Väktaren , Fem lärdomar från AlphaGos historiska seger )