您如何看待AI进入地主斗珠领域？

大家好，今天来为大家解答您如何看待AI进入地主斗珠领域？这个问题的一些问题点，包括也一样很多人还不知道，因此呢，今天就来为大家分析分析，现在让我们一起来看看吧！如果解决了您的问题，还望您关注下本站哦，谢谢~

解开

快手团队开发的斗地主AI被命名为DouZero，这意味着它像AlphaZero一样从头开始训练，没有添加任何人类知识。

仅使用4 个GPU 和短短几天的训练，它就在Botzone 排行榜上的344 个斗地主AI 中排名第一。

评论

感谢您的邀请。

2016年AlphaGo的出现让人们认识到人工智能的水平已经可以在很多领域超越人类。 2017 年，AlphaZero 紧随其后。与AlphaGo不同，AlphaZero可以从头开始，通过强化学习，在试错过程中完成数百万次自对弈，并且可以掌握五子棋、围棋等各种棋局。此外，近年来棋牌AI应用还包括麻将AI Suphx等。

前面提到的AI可以分为两类：

人工智能想要在不完美信息博弈中彻底击败人类是非常困难的。我之前在一份日报上发表过一个答案“

我读了这篇论文并大致总结了它的内容。

摘要是论文的摘要。摘要介绍了斗地主的挑战主要在于竞争、合作和不完全信息博弈，因此团队提出了斗零，通过深度神经网络、动作编码和并行参与者来增强蒙特卡洛。卡罗方法。为了进行训练，使用了具有4 个GPU 的服务器。经过短短几天的训练，它就击败了botzone上的其他344名斗地主AI，成功登顶榜单。

知道了大概的思路，我们来看看具体的方法。

第一个是动作编码。 DouZero将所有卡类型编码为由0和1组成的15x4矩阵。每列代表一种卡牌，每行代表相应卡牌的数量。

以神经网络为例，其架构如下：

至于平行角色是什么？ DouZero采用多参与者架构。在单个GPU服务器上，使用45个actor同时生成数据，最终数据被收集到中央训练器中进行训练。

传统的强化学习使用蒙特卡罗方法。所谓蒙特卡罗方法是一种随机模拟，通过重复实验来估计真实值。 DouZero中引入了深度蒙特卡罗（DMC）方法。所谓DMC就是用神经网络代替Q表，并利用均方误差（MSE）来更新Q网络。

文章第五章给出了非常详细的实验结果。

首先是斗零和其他斗地主AI的对比。其中，WP0.5（即胜率过半）或ADP0（正分）的以粗体标注。可见，斗零可以说横扫了其他斗地主AI。

在训练速度上，DouZero只需要训练两天就可以达到与SL模型（用人类数据训练的模型）相当的胜率。经过10多天的训练，胜率和分数都可以超越另一款斗地主AI DeltaDou。

论文还展示了botzone 中的竞赛数据。可见DouZero基本是无敌的。

DouZero真的那么聪明吗？让我这个人类玩家来尝试一下。

一共进行了15场比赛，其中地主5场，地主商人5场，地主属下5场。中奖率如下：

之所以每个角色都想尝试几次，是因为每个角色的难度都不同。从上图也可以看出，当你是地主或地主时，更容易获胜。为什么？因为？因为作为一个农民，你有一个人工智能来帮助你，但作为一个地主，你必须与两个人工智能作斗争。

当我当地主的时候，我从来没有赢过一场比赛，我感受到了两个AI来打败我的“羞辱”。即使我翻开他们的牌，看他们打牌，我还是赢不了。我觉得DouZero的打法是全局性的，而不是专注于最大化当前的胜率。然而，正如该报所说，农民之间确实缺乏协作。有时我看到，明明有两个农民，上家对下家耍手段，赢得更快，但最终还是上家出牌了。

其中一轮，DouZero打出了一场非常精彩的比赛。下面我就给大家展示一下这个过程。为了演示人工智能的决策过程，我展示了人工智能的手。

首先，我拿到的牌非常好。我连续打了两个三连球（分别是3334 和6667）。

此时，DouZero的获胜概率已不足50%。我乘胜追击，又拿出了一张三带一（88810）。这时候，嘿嘿，DouZero的获胜概率提升到了79.55%。我毁掉一手好牌很难吗？

综合考虑后，DouZero无法决定，所以我打了5。看来DouZero的获胜概率降低了。

玩了几对之后，我的手牌看起来像这样：

虽然看起来我的牌很少，但我只剩下3张牌，而对手分别有11张和13张牌。但此时对方的概率已经变成了100%，而我获胜的概率已经是0了，最终我还是输了，我只剩下一张牌了。

这场比赛赢了我。给我的感觉是DouZero打牌的时候没有感情（其实没有）。即使你的牌比它少很多，它仍然有信心能打败你。

当然，用我的记录来评价DouZero的水平可能不太公平。毕竟我不是职业选手，水平确实一般。希望以后能看到DouZero高手和本土主播打败DouZero。

由于在线版本性能有限（虽然我还是输了），所以我在clone github repo上本地尝试了一下。由于没有本地GPU环境，我不敢按照官方使用4个GPU的方法训练几天，所以只好使用官方预训练的模型。

官方代码地址：

官方提供了三种型号：

每个模型分别对应地主、地主上族、地主下族三个职位，总共27种组合。如果加上随机的和RLCard的，还有更多的组合。

当然，人类想要在命令行下参与打牌实在是太困难了。我们可以在代码中运行evaolute.py来设置三方采用的模型，然后让他们相互竞争多轮。在这里设定一个小目标，并实现10,000轮。运行方法我就不赘述了，官方文档中有详细说明。

其中，更值得关注的是DouZero代理商与RLCard代理商之间的对决。读者可能还不知道RLCard，这里简单介绍一下。 RLCard 是一款开源卡牌游戏强化学习工具包。如果DouZero能够击败RLCard，就意味着DouZero比RLCard“更聪明”。

首先，地主使用RLCard，两个农民使用DouZero-ADP。游戏数量为10,000。

地主VS农民的胜率比为0.131 : 0.869。可以看到，DouZero-ADP彻底摧毁了RLCard，得分比为-2.4564 : 2.4564

尝试使用DouZero-WP看看效果

再过几分钟，第一万场战斗就将结束。可以看到，中奖率比例为0.1024：0.8976，更加悬殊；平均分差距略有缩小。

那么，儿子之矛和荆棘之盾呢？我使用DouZero-WP 尝试了所有三个方

农民的中标率更高。看来当房东也不容易啊。

由于组合太多，这里就不一一测试和展示了。你也可以尝试一下其他AI组合的战斗结果，也许你能发现一些有趣的发现。

研究了一天，感觉DouZero还是让人惊喜的。

首先，这个项目是一个惊喜。这是一个有论文有代码的项目，非常人性化。提供的代码可以轻松运行，运行速度不错。我用MacBook Pro运行预训练的模型，玩10000场游戏只用了三分钟。虽然我的条件不允许我用4块GPU训练几天，但是对于实验室来说并不困难。有条件的话可以用实验室的GPU试试。

其次，效果也令人信服。实际的战斗效果，比如胜率、分数等等，除了卡牌的随机性之外，可以说和论文中描述的基本一致，效果还是不错的。难怪我能达到botzone天梯的第一名。

DouZero团队也提出了下一步的优化方法，我们也期待新的更强版本DouZero AI的诞生。