211service.com
Vai AlphaGo varētu blefot cauri pokeram?
Viens no zinātniekiem, kas ir atbildīgs par AlphaGo — Google DeepMind programmatūru, kas nesen uzvarēja vienu no pasaulē labākajiem Go spēlētājiem, saka, ka šī pati pieeja var radīt pārsteidzoši kompetents pokera robots .
Atšķirībā no galda spēlēm, piemēram, Go vai šaha, pokers ir nepilnīgas informācijas spēle, un šī iemesla dēļ tas ir izrādījies vēl izturīgāks pret datorizāciju nekā Go.
Spēle pokerā ietver stratēģijas izstrādi, pamatojoties uz jūsu rokās esošajām kārtīm un minējumu par to, kas ir jūsu pretinieka rokās. Pokera spēlētāji mēģina nolasīt citu cilvēku uzvedību pie galda, izmantojot statistiku un smalkākus uzvedības norādījumus.
Mākslīgais intelekts: tā ir sava veida maģija.
Šī iemesla dēļ efektīva pokera robota izveide, izmantojot mašīnmācīšanos, var būt nozīmīga AI lietojumprogrammām reālajā pasaulē. Spēle ir saistīta ar spēļu teoriju, kas attiecas uz situācijām, kas saistītas ar sarunām un sadarbību.
Lai gan Go ir neticami sarežģīts un tā stratēģiskos principus nevar viegli iekodēt, AlphaGo vismaz varēja redzēt katru spēles daļu. AlphaGo izmantoja divu AI paņēmienu, dziļas pastiprināšanas mācīšanās un koka meklēšanas kombināciju, lai izdomātu uzvaras Go kustības. Padziļināta pastiprināšanas mācīšanās ietver liela neironu tīkla apmācību ar pozitīviem un negatīviem ieguvumiem, un koka meklēšana ir matemātiska stratēģija spēles uz priekšu skatīšanai.
Deivids Sudrabs , AlphaGo vadošais pētnieks un Londonas Universitātes koledžas pasniedzējs, ievietojis papīru šī mēneša sākumā, aprakstot centienus izveidot pokera robotu, izmantojot līdzīgas metodes.
Kopā ar Džons Henrijs , UCL pētnieks, Silvers izmantoja dziļu pastiprināšanas mācīšanos, lai izstrādātu efektīvu spēles stratēģiju gan Leduc, vienkāršotā pokera versijā, kurā ir tikai sešu kāršu komplekts, gan Texas hold’em, kas ir populārākā spēles forma. Izmantojot Leduc, programmatūra sasniedza Neša līdzsvaru, kas nozīmē optimālu pieeju, kā noteikts spēļu teorijā. Teksasas hold’em spēlē tas sasniedza pieredzējuša cilvēka spēlētāja sniegumu.
Tikmēr Oksfordas Universitātes un Google DeepMind pētnieku komanda ir pievērsusi uzmanību divām fantāzijas iedvesmotām kāršu spēlēm — Magic: the Gathering un Hearthstone.
Šīs spēles ietver spēļu kārtis, kas attēlo dažādas burvestības, ieročus vai radības pret pretiniekiem. Šis darbs ir daudz provizoriskāks un vienkārši iesaistīts apmācīt neironu tīklu, lai interpretētu informāciju, kas parādīta katrā kartē , kas var būt strukturēta, piemēram, noteiktā krāsā vai ciparā, vai nestrukturēta, piemēram, tekstā, kas apraksta, kas notiek, kad tiek izspēlēta kārts.
Tomēr Google AI komanda acīmredzami nav pabeigusi pārcilvēcisku spēļu robotu izveidi.
(Lasīt vairāk: Kotaku , The Guardian , Piecas mācības no AlphaGo vēsturiskās uzvaras)