人工智能德州扑克如何战胜人类？

人工智能先是于围棋领域战胜了人类，而后又于德州扑克范畴上战胜了人类。有关围棋的人工智能算法有着诸多介绍，然而，在德州扑克方面所做的介绍就相对而言比较少了，那么，今日便来试着以浅显易懂的方式去描述一下后面的魔术算法。

围棋乃是一种有着完美信息的博弈，扑克则是典型的存在不完美信息之博弈游戏，此亦为我们往昔曾认定计算机智能所面临的长久挑战。对于德州扑克这类游戏，当下常用的算法是遗憾值匹配以及最小化（Regret Matching and Minimization）。

先把多步游戏简化成一步游戏，以此来讲清楚这个算法，也就是说，我们去看石头剪刀布这种简单游戏德信竞技，实际上，它们跟德州扑克背后的原理以及算法是相似且相通的。

大伙想必都玩过石头剪刀这种游戏，这回假定借助它来玩钱，开始之前，每个人都把一元放置在桌上。要是谁赢了，就能获取两元。不然的话，每个人只得拿回自己的一元。再进一步做假设，要是我们出石头，而对手出布并且赢了，那我们就赔了一元。在此处，不妨将我们的净赢或者净赔用作为效用，那么对于刚才玩的那一局，效用便是 -1，因为我们赔了一元。倘若我们出布或者剪刀去应对对手的布，那我们的效用就分别是0（平局情况下）以及 +1（我们赢了的情况）。

在这个时候，我们必然会懊悔未曾出布从而导致处于平局状况，更加懊恼没有出剪刀，原因在于此时要是出剪刀还能够赢得一元钱。既然呈现出这样的情形，那么我们运用遗憾值（Regret）来予以表示，针对对手某一种固定的出法，我们鉴于没有选取某个出法以及已经采用的出法之间效用的差别。也就是遗憾的程度，数值越大表明遗憾程度越高。

于这个例子里，我们所抱有的、后悔未曾出布的那种遗憾值等于，对手出布而我们也出布时的效用减去，对手出布而我们出石头时的效用，其结果为0减去负1，等于1。我们后悔没有出剪刀这一情况的遗憾值等于，对手出布我们出剪刀的效用减去，对手出布我们出石头的效用，就是正1减去负1，结果等于2。

那么，在这个时候，你是不是大概能够感觉到我们应当做些什么事情了呢？我们需要在下一局里边选择遗憾值最大的那种出法情况，可是我们并不愿意完全地让我们所采用的出法能够被预测出来，进而被对手加以利用。于是乎，就产生了遗憾值匹配算法（Regret Matching），说起来非常简单，也就是把遗憾值更换为概率，接着依据概率分布去选择出法（要注意，并非是最大概率）。

依旧是在这个例子当中，我们没办法后悔出了石头，毕竟已然做了，此处它的遗憾值是0。然而，后悔没出布，其遗憾值就是1。后悔没出剪刀，其遗憾值乃是2。那么针对下一局，运用遗憾值匹配算法，我们出石头、布以及剪刀的概率就相应地变为了0、1/3以及2/3，恰好是遗憾值归一的结果，也就是概率。

此刻进行假设，针对下一局，恰巧出现这样的情形（并非概率最大的那种），我们出了剪刀（其概率为2/3），然而我们的对手出了石头。在这种状况下，对于石头而言，其遗憾值是1。就布来说，遗憾值为2。至于剪刀，遗憾值是0。把这些遗憾值与上一局的相加起来之后，会发现累积的遗憾值（也就是Cumulative Regret）分别呈现为，针对石头是1，针对布是3，针对剪刀是2。依据遗憾值匹配算法，为下一局所准备的概率随之变成了，针对石头是1/6，针对布是3/6，针对剪刀是2/6。

若处于理想状况下，我们期待将长期的期望遗憾值予以最小化，而此情形是能够借由自身与自身进行博弈来达成的，当博弈的次数充足多，比如说，达到百万数量级别时，便能够趋向于最小化目标，进而达成一种平衡状态，也就是纳什均衡。这是不是与AlphaGo里所运用的左右手相互对抗的强化学习有些相像呢。

那么，瞧见了没，当机器与人进行对抗时，针对人所走的每一步，机器都务必开展极为依据大量的令遗憾值相匹配以及最小化的运算，最终获取一个应对的计策。当下这个经过简化的石头剪刀布游戏仅仅只有一步，像包含来回好几个回合的德州扑克这类游戏，所需的计算量是令人惊叹的。

请对下一篇，如何把这个算法的思想，完整地运用到德州扑克上去，有所期待，看你们的表现哟，给些动力呀。