近日，人工智能國(guó)際頂會(huì) AAAI 2022 正在召開(kāi)，大會(huì)論文獎(jiǎng)也陸續(xù)公布。AI 科技評(píng)論獲知，中國(guó)科學(xué)院自動(dòng)化所的興軍亮教授團(tuán)隊(duì)獲得 AAAI 2022 的卓越論文獎(jiǎng)(Distinguished Paper)!
AAAI 的英文全稱是“Association for the Advance of Artificial Intelligence”(美國(guó)人工智能協(xié)會(huì))。該協(xié)會(huì)是人工智能領(lǐng)域的主要學(xué)術(shù)組織之一，具有一定的學(xué)術(shù)權(quán)威性。
興軍亮團(tuán)隊(duì)此次獲獎(jiǎng)的工作是他們所開(kāi)發(fā)的輕量型德州撲克 AI 程序 ——AlphaHoldem。據(jù)介紹，該系統(tǒng)的決策速度較 DeepStack 的速度提升超 1000 倍，與高水平德州撲克選手對(duì)抗的結(jié)果表明其已經(jīng)達(dá)到了人類專業(yè)玩家水平。
1 德州撲克 AI 的意義
與圍棋任務(wù)相比，德州撲克是一項(xiàng)更能考驗(yàn)基于信息不完備導(dǎo)致對(duì)手不確定的智能博弈技術(shù)。
德州撲克是國(guó)際上最為流行的撲克游戲，由于最早起源于 20 世紀(jì)初美國(guó)德克薩斯州而得名。
德州撲克的規(guī)則是使用去掉王牌的一副撲克牌，共 52 張牌，至少 2 人參與，至多 22 人，一般參與人數(shù)為兩人和十人之間。
游戲開(kāi)始時(shí)，首先為每個(gè)玩家發(fā)兩張私有牌作為各自的“底牌”，隨后將五張公共牌依次按三張、一張、一張朝上發(fā)出。在發(fā)完兩張私有牌、三張共有牌、第四張公共牌、第五張公共牌后玩家都可以多次無(wú)限制押注，這四輪押注分別稱為“翻牌前”、“翻牌”、“轉(zhuǎn)牌”、“河牌”。
經(jīng)過(guò)四輪押注之后，若仍不能分出勝負(fù)，游戲進(jìn)入“攤牌”階段，所有玩家亮出各自底牌并與公共牌組合成五張牌，成牌最大者獲勝。圖 2 給出了德州撲克不同組合的牌型解釋和大小。
德州撲克博弈的問(wèn)題復(fù)雜度很大，兩人無(wú)限注德州撲克的決策空間復(fù)雜度超過(guò) 10 的 161 次方;其次，德州撲克博弈過(guò)程屬于典型的回合制動(dòng)態(tài)博弈過(guò)程，游戲參與者每一步?jīng)Q策都依賴于上一步的決策結(jié)果，同時(shí)對(duì)后面的決策步驟產(chǎn)生影響;另外，德州撲克博弈屬于典型的不完美信息博弈，博弈過(guò)程中玩家各自底牌信息不公開(kāi)使得每個(gè)玩家信息都不完備，玩家在每一步?jīng)Q策時(shí)都要充分考慮對(duì)手的各種可能情況，這就涉及到對(duì)手行為與心理建模、欺詐與反欺詐等諸多問(wèn)題。
研究者認(rèn)為，由于德州撲克游戲規(guī)則又非常簡(jiǎn)單且邊界確定，特別適合作為一個(gè)虛擬實(shí)驗(yàn)環(huán)境對(duì)博弈的相關(guān)基礎(chǔ)理論方法和核心技術(shù)算法進(jìn)行深入探究。
近年來(lái)，國(guó)際研究者在德州撲克這一大規(guī)模不完美信息博弈問(wèn)題的優(yōu)化求解中也取得了長(zhǎng)足進(jìn)步。
比如，之前加拿大阿爾伯特大學(xué)和美國(guó)卡內(nèi)基梅隆大學(xué)的研究者就設(shè)計(jì)出 AI 程序 DeepStack 和 Libratus，并先后在兩人無(wú)限注德州撲克中均戰(zhàn)勝了人類專業(yè)選手，隨后卡內(nèi)基梅隆大學(xué)設(shè)計(jì)的 Pluribus 又在六人無(wú)限注德州撲克中戰(zhàn)勝了人類專業(yè)選手。
但目前主流德州撲克 AI 背后的核心思想是利用反事實(shí)遺憾最小化(Counterfactual Regret Minimization, CFR)算法逼近納什均衡策略。
具體來(lái)說(shuō)，首先利用抽象(Abstraction)技術(shù) [3][7] 壓縮德?lián)涞臓顟B(tài)和動(dòng)作空間，從而減小博弈樹(shù)的規(guī)模，然后在縮減過(guò)的博弈樹(shù)上進(jìn)行 CFR 算法迭代。
這些方法嚴(yán)重依賴于人類專家知識(shí)進(jìn)行博弈樹(shù)抽象，并且 CFR 算法需要對(duì)博弈樹(shù)的狀態(tài)結(jié)點(diǎn)進(jìn)行不斷地采樣遍歷和迭代優(yōu)化，即使經(jīng)過(guò)模型縮減后仍需要耗費(fèi)大量的計(jì)算和存儲(chǔ)資源。例如，DeepStack 使用了 153 萬(wàn)的 CPU 時(shí)以及 1.3 萬(wàn)的 GPU 時(shí)訓(xùn)練最終 AI，在對(duì)局階段需要一個(gè) GPU 進(jìn)行 1000 次 CFR 的迭代過(guò)程，平均每個(gè)動(dòng)作的計(jì)算需耗時(shí) 3 秒。Libratus 消耗了大于 300 萬(wàn)的 CPU 時(shí)生成初始策略，每次決策需要搜索 4 秒以上。
這樣大量的計(jì)算和存儲(chǔ)資源的消耗嚴(yán)重阻礙了德?lián)?AI 的進(jìn)一步研究和發(fā)展;同時(shí)，CFR 框架很難直接拓展到多人德?lián)洵h(huán)境中，增加玩家數(shù)量將導(dǎo)致博弈樹(shù)規(guī)模呈指數(shù)增長(zhǎng)。另外，博弈樹(shù)抽象不僅需要大量的領(lǐng)域知識(shí)而且會(huì)不可避免地丟失一些對(duì)決策起到至關(guān)作用的信息。
2 AlphaHoldem 是何方神圣?
這個(gè)問(wèn)題也吸引了很多中國(guó)研究者，中科院自動(dòng)化所的興軍亮教授團(tuán)隊(duì)便是其中之一。去年 12 月，他領(lǐng)導(dǎo)的博弈學(xué)習(xí)研究組針對(duì)德州撲克任務(wù)，提出了一種高水平、輕量化的兩人無(wú)限注德州撲克 AI 程序 ——AlphaHoldem。
不同于已有的基于 CFR 算法的德州撲克 AI，中科院博弈學(xué)習(xí)研究組所提出的架構(gòu)是基于端到端的深度強(qiáng)化學(xué)習(xí)算法(如圖 4 所示)。
根據(jù)團(tuán)隊(duì)介紹，AlphaHoldem 采用 Actor-Critic 學(xué)習(xí)框架，其輸入是卡牌和動(dòng)作的編碼，然后通過(guò)偽孿生網(wǎng)絡(luò)(結(jié)構(gòu)相同參數(shù)不共享)提取特征，并將一種改進(jìn)的深度強(qiáng)化學(xué)習(xí)算法與一種新型的自博弈學(xué)習(xí)算法相結(jié)合，在不借助任何領(lǐng)域知識(shí)的情況下，直接從牌面信息端到端地學(xué)習(xí)候選動(dòng)作進(jìn)行決策。
他們還指出，AlphaHoldem 的成功得益于其采用了一種高效的狀態(tài)編碼來(lái)完整地描述當(dāng)前及歷史狀態(tài)信息、一種基于 Trinal-Clip PPO 損失的深度強(qiáng)化學(xué)習(xí)算法來(lái)大幅提高訓(xùn)練過(guò)程的穩(wěn)定性和收斂速度、以及一種新型的 Best-K 自博弈方式來(lái)有效地緩解德?lián)洳┺闹写嬖诘牟呗钥酥茊?wèn)題。
AlphaHoldem 使用了 1 臺(tái)包含 8 塊 GPU 卡的服務(wù)器，經(jīng)過(guò)三天的自博弈學(xué)習(xí)后，戰(zhàn)勝了 Slumbot 和 DeepStack。每次決策時(shí)，AlphaHoldem 都僅用了不到 3 毫秒，比 DeepStack 速度提升超過(guò)了 1000 倍。同時(shí)，AlphaHoldem 與四位高水平德州撲克選手對(duì)抗 1 萬(wàn)局的結(jié)果表明其已經(jīng)達(dá)到了人類專業(yè)玩家水平。
3 團(tuán)隊(duì)部分成員介紹
趙恩民，論文一作。中國(guó)科學(xué)院自動(dòng)化研究所模式識(shí)別與智能系統(tǒng)專業(yè)博士四年級(jí)研究生，2018 年于清華大學(xué)獲得工學(xué)學(xué)士學(xué)位。研究方向?yàn)橛?jì)算機(jī)撲克和深度強(qiáng)化學(xué)習(xí)。
興軍亮，中國(guó)科學(xué)院自動(dòng)化研究所研究員、博士生導(dǎo)師、特聘青年骨干，中國(guó)科學(xué)院大學(xué)崗位教授，中國(guó)科學(xué)院人工智能創(chuàng)新研究院創(chuàng)新專家組專家。興教授 2012 年畢業(yè)于清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，獲工學(xué)博士學(xué)位。
此外，他還是美國(guó)電器與電子工程學(xué)會(huì)(IEEE)高級(jí)會(huì)員、美國(guó)《科學(xué)》雜志中國(guó)官方公眾號(hào)特邀評(píng)論員、中國(guó)計(jì)算機(jī)學(xué)會(huì)(CCF)高級(jí)會(huì)員、計(jì)算機(jī)視覺(jué)專委會(huì)委員。
他的主要研究領(lǐng)域?yàn)橛?jì)算機(jī)視覺(jué)和計(jì)算機(jī)博弈。目前已在包括頂級(jí)國(guó)際期刊如 TPAMI、IJCV、AI 以及頂級(jí)國(guó)際會(huì)議上如 ICCV、CVPR、AAAI、IJCAI 上發(fā)表論文 100 多篇，谷歌學(xué)術(shù)引用超過(guò) 10000 次，出版計(jì)算機(jī)視覺(jué)譯著 2 部，參與撰寫(xiě)深度學(xué)習(xí)領(lǐng)域著作 1 部、人工智能領(lǐng)域著作 1 部。
曾獲清華大學(xué)計(jì)算機(jī)系“學(xué)術(shù)新秀”、“谷歌學(xué)者”、多次頂級(jí)國(guó)際和國(guó)內(nèi)會(huì)議最佳論文獎(jiǎng)等榮譽(yù)和獎(jiǎng)勵(lì)，以及十余次在人臉識(shí)別、車輛識(shí)別、視頻識(shí)別等國(guó)際和國(guó)內(nèi)挑戰(zhàn)賽中獲獎(jiǎng)。
目前作為項(xiàng)目和課題負(fù)責(zé)人承擔(dān)多項(xiàng)國(guó)家重點(diǎn)項(xiàng)目，研發(fā)的視覺(jué)感知相關(guān)技術(shù)在國(guó)家廣電總局、微軟等得到了多次驗(yàn)證應(yīng)用和落地推廣，取得了良好的經(jīng)濟(jì)效益和社會(huì)價(jià)值。
近年來(lái)主要圍繞深度強(qiáng)化學(xué)習(xí)相關(guān)的智能感知和決策問(wèn)題，研發(fā)了多款針對(duì)不同游戲的博弈決策 AI，其中研發(fā)的星際爭(zhēng)霸 AI 曾獲 2017 年 IEEE CIG 星際爭(zhēng)霸 AI 第 2 名，研發(fā)的德州撲克 AI 程序 AlphaHoldem 勝率超過(guò)了目前公開(kāi)的最好德州撲克 AI 程序 DeepStack，速度提升超過(guò) 1000 倍。開(kāi)放了學(xué)界首個(gè)大規(guī)模不完美信息博弈平臺(tái) OpenHoldem。
關(guān)鍵詞： 人工智能 國(guó)際頂會(huì) 德州撲克 程序獲獎(jiǎng)
