如何看待AI杀入斗地主领域，快手DouZero击败344个AI排名第一？未来人类斗地主能斗过AI吗？ 第1页

谢邀。

2016年AlphaGo的横空出世，让人开始认识到，人工智能的水平已经可以在很多领域超越人类了。接着2017年，AlphaZero接踵而来，不同于AlphaGo的是，AlphaZero可以从零开始，通过强化学习，在试错过程完成数百万盘自我对弈, 并且可以掌握五子棋，围棋等多种棋类。除此之外，这些年的棋牌AI应用还包括麻将AI Suphx等等。

前面说到的AI可以分为两类：

• 一类完全信息动态博弈（例如下围棋,井字旗等等）
• 一种是非完全信息动态博弈（例如打麻将）

人工智能在非完全信息博弈要完全战胜人类，难度很大。在我之前被日报收录的一篇回答 《人工智能已在哪些领域超越了人类的表现？ 》里说到，对于非完全信息场内大量的隐藏信息无法看到。过高的随机性影响了算法模型的训练。除了麻将，我们熟悉的斗地主也是属于非完全信息博弈。现在，非完全信息动态博弈的AI又新增一员，DouZero，一个由快手开发的斗地主AI。开发斗地主AI是有难度的，毕竟属于是非完全信息博弈，同时，比起麻将，斗地主又涉及合作，两个农民在不知道对方手牌的情况下进行协作，增加了判别难度。带着好奇心，我看了下DouZero的论文。

论文解读

首先必须说，DouZero并不是第一个斗地主AI。之前也有人尝试做了些斗地主AI或者通用牌类AI，有的是基于策略的，有的是基于有监督算法的，也有基于强化学习的，作者在论文里也提到了一些，例如DeltaDou, RLCard等等。DouZero的创新点是什么？论文里给出了答案：「DouZero 不需要任何领域知识或基础动态知识」。DouZero的方法是从零开始通过自我对局来学习（为了对比，项目也提供了通过人类数据训练的模型）。估计这就是叫DouZero而不是什么AlphaDou，因为思路上和AlphaZero一样，所以叫DouZero也许是向AlphaZero致敬吧。

我看了下论文，大概总结下其内容。

摘要是论文的概括。在摘要里，介绍了斗地主的挑战主要是在竞争、合作与非完全信息博弈上，于是团队提出了DouZero，通过深度神经网络、动作编码（action encoding）和平行角色（parallel actors）来增强蒙特卡洛方法。训练的话，采用了一个带4片GPU的服务器，只训练了几天，就可以在botzone上面打败了344个其他斗地主AI，成功登上榜首。

知道了大致的思路后，我们来看看具体的方法。

首先是动作编码。DouZero将所有的牌型编码成 15x4 的由 0和1 组成的矩阵。其中每一列代表一种牌，每一行代表对应牌的数量。

神经网络的话，架构如下：

至于平行角色是什么？DouZero采用多演员（actor）的架构，在单个 GPU 服务器上，用了 45 个actor同时产生数据，最终数据汇集到一个中央训练器进行训练。

传统强化学习使用蒙特卡罗方法。所谓的蒙特卡罗方法就是一种随机模拟，即通过不断的重复实验来估计真实价值。而在DouZero中，引入了Deep Monte-Carlo (DMC)方法。所谓DMC，就是用神经网络替换Q表，并使用均方误差 (MSE) 更新Q网络。

文章第五章给出了很翔实的实验结果。

首先是DouZero与其他斗地主AI的对比，其中WP>0.5（也就是胜率过半）或者ADP>0(得分为正)的都用黑体标出来了。可以看到，DouZero可以说是横扫了其他斗地主AI。

训练速度上，DouZero只要训练两天，胜率就能SL模型（用人类数据训练的模型）。训练10天以上，胜率和得分都能超过DeltaDou，另一个斗地主AI。

论文中还展示了在botzone的比赛数据，可以看到，DouZero基本是所向披靡的。

当然，任何论文都不是完美的。作者也在文章最末尾说了六点可能的下一步工作，包括尝试用ResNet等CNN网络来代替LSTM，在强化学习中尝试Off-Policy学习,尝试农民之间的协作等等。

Demo试运行（在线版本）

DouZero是不是真的这么聪明？让我这个人类玩家试试吧。

一共玩了15局，其中5局作为地主，5局作为地主商家，5局作为地主下家。胜率如下：

之所以我要每个角色都试几遍，是因为每个角色的难度不同，你也可以从上图看出，作为地主上家或者下家时容易赢些。为啥？因为？因为你作为农民，还有一个AI帮助你，而你作为地主，则要单挑两个AI。

当我作为地主时，一盘都没赢过，感觉到了两个AI来吊打我的「屈辱」。即使我把它们的牌翻开来看着打，我依然赢不了。我感觉DouZero的打法是具有全局性的，而不是着眼于当下胜率最大化，但农民之间确实如论文说的，农民之间协作确实缺少了点，有的时候我看到，明明两个农民之间，上家放水下家会赢得更快，结果上家偏要出牌。

其中一局DouZero打得非常精彩，这里给大家展示下过程。为了展示AI的决策过程，我显示了AI的手牌。

首先，我拿到的手牌是非常好的，我连续出了两个三带一（分别是3334和6667）

这个时候DouZero获胜几率已经小于50%了。我乘胜追击，再来一个三带一（88810），这时候，咦，DouZero的获胜概率反而升到了79.55%了，难度我一手好牌打坏了？

DouZero综合考虑后，决定不出，于是我打对5，貌似DouZero的获胜概率降低了点。

出了几个对子后，我手牌变成这样：

虽然看起来我的牌很少，我仅剩3张牌，而对面分别剩11和13张牌。但这个时候，对面或者概率变成了100%，我获胜概率已经是0了。最后结果，我还是输了，而且是只剩一张牌那种。

这一局把我给弄服了。给我感觉，DouZero出牌是毫无情绪的（确实也没有），即使你比它手牌少很多，它也是有信心能赢你。

当然，以我的战绩来评价打斗地主水平也许有失公允，毕竟我不是职业选手，水平确实很一般，希望以后能看到斗地主高手当地主战胜DouZero。

本地无GUI版本试运行

由于在线版本性能有限（尽管我还是输了），于是在clone github repo在本地试试。由于没有本地GPU环境，不敢学官方那样用4块GPU训练几天，只好用官方提供的预训练模型。

官方代码地址：https://github.com/kwai/DouZero, 预训练模型下载地址可以在中文文档里找到。

官方提供了三种模型类型分别是:

• SL (baselines/sl/): 基于人类数据进行深度学习的预训练模型
• DouZero-ADP (baselines/douzero_ADP/): 以平均分数差异（Average Difference Points, ADP）为目标训练的Douzero智能体
• DouZero-WP (baselines/douzero_WP/): 以胜率（Winning Percentage, WP）为目标训练的Douzero智能体，

每种模型分别对应地主，地主上家，地主下家三个位置，共27种组合。如果再加上随机的，RLCard的，组合就更多了。

当然，在命令行下打牌要人类参与就太难了，我们可以运行代码里的evalute.py，来设定三方采用的模型，然后让它们之间对针很多局。这里定个小目标，打它一万局。运行方法就不赘述了，在官方文档里讲得很详细了。

其中，比较值得关注的是DouZero智能体与RLCard智能体的对决。读者也许还不了解RLCard，这里简单介绍下。RLCard是一个开源的卡牌游戏强化学习工具包，如果DouZero能战胜RLCard，那说明DouZero比RLCard「更智能」。

首先是地主采用RLCard，两个农民采用DouZero-ADP，局数是10000局，

       python3 evaluate.py --landlord rlcard --landlord_up baselines/douzero_ADP/landlord_up.ckpt --landlord_down baselines/douzero_ADP/landlord_down.ckpt     

地主VS农民的胜率比是0.131 : 0.869，可以看到，DouZero-ADP完爆RLCard，得分比为-2.4564 : 2.4564

试试采用DouZero-WP，看看效果

       python3 evaluate.py --landlord rlcard --landlord_up baselines/douzero_WP/landlord_up.ckpt --landlord_down baselines/douzero_WP/landlord_down.ckpt     

过几分钟，10000局对战就完成了。可以看到，胜率比为0.1024：0.8976，更悬殊了；平均分数差距稍有缩小。

那么，以子之矛，刺子之盾呢？我试试三方都采用DouZero-WP

       python3 evaluate.py --landlord baselines/douzero_WP/landlord.ckpt --landlord_up baselines/douzero_WP/landlord_up.ckpt --landlord_down baselines/douzero_WP/landlord_down.ckpt     

胜率是农民高一些，看来地主不好当啊。

由于组合太多，这里就不一一试验并展示了。大家也可以试试其他AI组合的对战结果，也许能从中发现一些有趣的发现。

总结

研究了一天，感觉DouZero还是令人惊喜的。

首先是项目上令人惊喜。这是一个有论文有代码的项目，非常友好。提供的代码也是能轻易运行的，并且运行速度不错，我用MacBook Pro跑预训练模型，对战10000局也就三分钟的事。虽然我的条件无法拿出4块GPU训练几天，但这对于实验室来说不算难，有条件的可以用实验室的GPU试试。

其次，效果上也是令人信服。实际对战效果，例如胜率，得分等等，除开牌局的随机性，可以说和论文里描述的基本一致，效果还是不错的。怪不得能杀进botzone天梯第一。

DouZero团队也提出了下一步的优化方法，这里也期待更强的新版本斗地主AI诞生。

首先结论是大概率赢不了AI，为什么说是大概率呢，因为斗地主除了一些脑力因素外，运气也是很大一部分的加成。

运气又涉及到了两方面，第一方面自己是地主并且牌好到爆炸

谁能拦我？

要么自己是农民，但是一家的牌好到爆炸

这样的情况，AI 无论如何也赢不了。

一直以来，斗地主都被视为一个极具挑战性的领域。首先，与许多扑克游戏和麻将一样，斗地主属于非完美信息游戏（玩家不能看到其他玩家的手牌），且包含很多「运气」成分。因此，斗地主有非常复杂的博弈树，以及非常大的状态空间（每个状态代表一种可能遇到的情况）。除此之外，相较于德州扑克和麻将，斗地主还有两个独特的挑战：
合作与竞争并存：无论是德州扑克还是麻将，玩家之间都是竞争关系。然而，在斗地主中，两个农民玩家要相互配合对抗地主。虽然过去有论文研究过游戏中的合作关系 [1]，但是同时考虑合作和竞争仍然是一个很大的挑战。
庞大而复杂的牌型：斗地主有复杂的牌型结构，例如单张、对子、三带一、顺子、炸弹等等。

原作者： @机器之心

原出处：快手开源斗地主AI，入选ICML，能否干得过「冠军」柯洁？

原文链接：机器之心：快手开源斗地主AI，入选ICML，能否干得过「冠军」柯洁？

它们的组合衍生出了 27,472 种牌型 [2]：

在强化学习里，这些牌型被称为动作空间。作为对比，这里列举出了常见强化学习环境及棋牌类游戏的动作空间大小：

虽然无限注德州扑克本身有与斗地主有相同数量级的动作空间，但是其动作空间很容易通过抽象的方式缩小，即把类似的动作合并成一个。例如，加注 100 和加注 101 没有很大的区别，可以合并成一个。然而，斗地主中一个动作中的每张牌都很重要，且很难进行抽象。例如，三带一中带的单张可以是任意手牌。选错一次（比如拆掉了一个顺子）就很可能导致输掉整局游戏。

总结：

总的来说，斗地主属于非完美信息游戏，且需要运气加成，另外还要结对打牌，指数级别的增加了复杂度，比起围棋来说复杂度高了几个数量级。

一局两局可能有运气成分，你要多打几把试试，AI能把你赢得后悔玩这个游戏。

你们应该高兴，AI能够超越人类是好事。斗地主能赢，再往上走，控制人类之后，大家都插管子集体当AI的电池，集体进入睡梦状态，活在单机世界里，没有痛苦，没有悲伤，没有战争，每个人都能在程序设定中通过自己的方式获得成功，这样虚假而又快乐的日子，才是人类的归宿。

不要扯什么真实，对于个人来说，你的世界就是你活着时的所感受到的一切，你死后，这个世界变成什么样，再也和你无关。何不集体进入梦中虚幻快乐的世界呢？

以前觉得火星忍者月之眼计划可怕，那是因为没有接受过太多现实的毒打。现实比梦中的世界可怕多了，人终究走向虚无，还不如一开始就进入虚无。