<mark id="oztn4"></mark>
0
作者 | 西西、王曄
編輯丨陳彩嫻
近日，人工智能國際頂會 AAAI 2022 正在召開，大會論文獎也陸續(xù)公布。AI科技評論獲知，中國科學(xué)院自動化所的興軍亮教授團隊獲得 AAAI 2022 的卓越論文獎（Distinguished Paper）！
AAAI 的英文全稱是“Association for the Advance of Artificial Intelligence”（美國人工智能協(xié)會）。該協(xié)會是人工智能領(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。
興軍亮團隊此次獲獎的工作是他們所開發(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抗的結(jié)果表明其已經(jīng)達到了人類專業(yè)玩家水平。
論文名稱：《AlphaHoldem: High-Performance Artificial Intelligence for Heads-Up No-Limit Poker via End-to-End Reinforcement Learning》
作者團隊：趙恩民，閆仁業(yè)，李金秋，李凱，興軍亮
與圍棋任務(wù)相比，德州撲克是一項更能考驗基于信息不完備導(dǎo)致對手不確定的智能博弈技術(shù)。
德州撲克是國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。
游戲開始時，首先為每個玩家發(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限制押注，這四輪押注分別稱為“翻牌前”、“翻牌”、“轉(zhuǎn)牌”、“河牌”。圖1展示了一場德州撲克游戲的完整流程示意。
圖1：兩人無限注德州撲克一次游戲過程示意
經(jīng)過四輪押注之后，若仍不能分出勝負，游戲進入“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。
圖2：德州撲克不同牌型大小說明和比較
德州撲克博弈的問題復(fù)雜度很大，兩人無限注德州撲克的決策空間復(fù)雜度超過10的161次方；其次，德州撲克博弈過程屬于典型的回合制動態(tài)博弈過程，游戲參與者每一步?jīng)Q策都依賴于上一步的決策結(jié)果，同時對后面的決策步驟產(chǎn)生影響；另外，德州撲克博弈屬于典型的不完美信息博弈，博弈過程中玩家各自底牌信息不公開使得每個玩家信息都不完備，玩家在每一步?jīng)Q策時都要充分考慮對手的各種可能情況，這就涉及到對手行為與心理建模、欺詐與反欺詐等諸多問題。
研究者認為，由于德州撲克游戲規(guī)則又非常簡單且邊界確定，特別適合作為一個虛擬實驗環(huán)境對博弈的相關(guān)基礎(chǔ)理論方法和核心技術(shù)算法進行深入探究。
近年來，國際研究者在德州撲克這一大規(guī)模不完美信息博弈問題的優(yōu)化求解中也取得了長足進步。
比如，之前加拿大阿爾伯特大學(xué)和美國卡內(nèi)基梅隆大學(xué)的研究者就設(shè)計出 AI 程序 DeepStack 和 Libratus，并先后在兩人無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)計的 Pluribus 又在六人無限注德州撲克中戰(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遺憾最小化（Counterfactual Regret Minimization, CFR）算法逼近納什均衡策略。
具體來說，首先利用抽象（Abstraction）技術(shù)[3][7]壓縮德?lián)涞臓顟B(tài)和動作空間，從而減小博弈樹的規(guī)模，然后在縮減過的博弈樹上進行CFR算法迭代。
這些方法嚴(yán)重依賴于人類專家知識進行博弈樹抽象，并且CFR算法需要對博弈樹的狀態(tài)結(jié)點進行不斷地采樣遍歷和迭代優(yōu)化，即使經(jīng)過模型縮減后仍需要耗費大量的計算和存儲資源。例如，DeepStack使用了153萬的CPU時以及1.3萬的GPU時訓(xùn)練最終AI，在對局階段需要一個GPU進行1000次CFR的迭代過程，平均每個動作的計算需耗時3秒。Libratus消耗了大于300萬的CPU時生成初始策略，每次決策需要搜索4秒以上。
這樣大量的計算和存儲資源的消耗嚴(yán)重阻礙了德?lián)銩I的進一步研究和發(fā)展；同時，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)致博弈樹規(guī)模呈指數(shù)增長。另外，博弈樹抽象不僅需要大量的領(lǐng)域知識而且會不可避免地丟失一些對決策起到至關(guān)作用的信息。
這個問題也吸引了很多中國研究者，中科院自動化所的興軍亮教授團隊便是其中之一。去年12月，他領(lǐng)導(dǎo)的博弈學(xué)習(xí)研究組針對德州撲克任務(wù)，提出了一種高水平、輕量化的兩人無限注德州撲克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化學(xué)習(xí)算法（如圖4所示）。
圖4：端到端學(xué)習(xí)德州撲克AI學(xué)習(xí)框架
根據(jù)團隊介紹，AlphaHoldem采用Actor-Critic學(xué)習(xí)框架，其輸入是卡牌和動作的編碼，然后通過偽孿生網(wǎng)絡(luò)（結(jié)構(gòu)相同參數(shù)不共享）提取特征，并將一種改進的深度強化學(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)域知識的情況下，直接從牌面信息端到端地學(xué)習(xí)候選動作進行決策。
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損失的深度強化學(xué)習(xí)算法來大幅提高訓(xùn)練過程的穩(wěn)定性和收斂速度、以及一種新型的Best-K自博弈方式來有效地緩解德?lián)洳┺闹写嬖诘牟呗钥酥茊栴}。
AlphaHoldem 使用了1臺包含8塊GPU卡的服務(wù)器，經(jīng)過三天的自博弈學(xué)習(xí)后，戰(zhàn)勝了Slumbot和DeepStack。每次決策時，AlphaHoldem都僅用了不到3毫秒，比DeepStack速度提升超過了1000倍。同時，AlphaHoldem與四位高水平德州撲克選手對抗1萬局的結(jié)果表明其已經(jīng)達到了人類專業(yè)玩家水平。
興軍亮，中國科學(xué)院自動化研究所研究員、博士生導(dǎo)師、特聘青年骨干，中國科學(xué)院大學(xué)崗位教授，中國科學(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)計算機科學(xué)與技術(shù)系，獲工學(xué)博士學(xué)位。
此外，他還是美國電器與電子工程學(xué)會（IEEE）高級會員、美國《科學(xué)》雜志中國官方公眾號特邀評論員、中國計算機學(xué)會（CCF）高級會員、計算機視覺專委會委員。
他的主要研究領(lǐng)域為計算機視覺和計算機博弈。目前已在包括頂級國際期刊如TPAMI、IJCV、AI以及頂級國際會議上如ICCV、CVPR、AAAI、IJCAI上發(fā)表論文100多篇，谷歌學(xué)術(shù)引用超過10000次，出版計算機視覺譯著2部，參與撰寫深度學(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)計算機系“學(xué)術(shù)新秀”、“谷歌學(xué)者”、多次頂級國際和國內(nèi)會議最佳論文獎等榮譽和獎勵，以及十余次在人臉識別、車輛識別、視頻識別等國際和國內(nèi)挑戰(zhàn)賽中獲獎。
目前作為項目和課題負責(zé)人承擔(dān)多項國家重點項目，研發(fā)的視覺感知相關(guān)技術(shù)在國家廣電總局、華為、微軟等得到了多次驗證應(yīng)用和落地推廣，取得了良好的經(jīng)濟效益和社會價值。
近年來主要圍繞深度強化學(xué)習(xí)相關(guān)的智能感知和決策問題，研發(fā)了多款針對不同游戲的博弈決策AI，其中研發(fā)的星際爭霸AI曾獲2017年IEEE CIG星際爭霸AI第2名，研發(fā)的德州撲克AI程序AlphaHoldem勝率超過了目前公開的最好德州撲克AI程序DeepStack，速度提升超過1000倍。開放了學(xué)界首個大規(guī)模不完美信息博弈平臺OpenHoldem。
杰出論文獎：
論文名稱：Online Certification of Preference-Based Fairness for Personalized Recommender Systems
作者團隊：Virginie Do，Sam Corbett-Davies，Jamal Atif, Nicolas Usunier
杰出學(xué)生論文獎：
論文名稱：InfoLM: A New Metric to Evaluate Summarization & Data2Text Generation
作者團隊：Pierre Colombo，Chloé Clavel，Pablo Piantanida
卓越論文獎：
除了中科院興軍亮團隊的 AlphaHoldem，還有 5 篇工作獲得 AAAI 2022 “卓越論文獎”。分別如下
論文名稱：Certified Symmetry and Dominance Breaking for Combinatorial Optimisation
作者團隊：Bart Bogaerts，Stephan Gocht，Ciaran McCreesh，Jakob Nordstr?m
論文名稱：Online Elicitation of Necessarily Optimal Matchings
作者團隊：Jannik Peters
論文名稱：Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian Noise
作者團隊：Thom S. Badings, Alessandro Abate，Nils Jansen，David Parker，Hasan A. Poonawala，Marielle Stoelinga
論文名稱：Subset Approximation of Pareto Regions with Bi-objective A
作者團隊：Jorge A. Baier，Carlos Hernández，Nicolás Rivera
論文名稱：The SoftCumulative Constrain with Quadratic Penalty
作者團隊：Yanick Ouellet，Claude-Guy Quimper
參考鏈接：
1.https://twitter.com/rao2z/status/1496866889921822721
2.https://mp.weixin.qq.com/s/OBRybZ-NwcNW-S9TCObaLA
雷峰網(wǎng)(公眾號：雷峰網(wǎng))
