比 AlphaGo 更復雜，最強日本麻將 AI 是怎么煉成的？
2019-09-03 09:37:49 觀察者網這些評論來自于 B 站上一個系列的視頻，視頻主角是一個名為 Suphx（意為 Super Phoenix）的麻將 AI。2019 年 6 月，有創作者開始制作 Suphx 牌譜的視頻。上傳到 B 站后，引起了不少麻將愛好者的討論。
在多數評論里，Suphx 被稱為“最強日麻人工智能”。
事實上，不止是國內的 B 站，當時 Suphx 的聲名已經傳遍了日本麻將界。
神秘的最強日麻 AI
2019 年 3 月起，Suphx 獲批進入專業麻將平臺“天鳳”。短短四個月內，Suphx 在該平臺瘋狂對戰 5760 次，成功達到十段，從而在日本麻將界聲名大噪。
麻將在中國群眾基礎深厚、普及率高，有“國粹”之稱，但民間流行的麻將規則不一，且競技化程度相對較低，而日本麻將擁有世界上競技化程度最高的麻將規則。天鳳則是業界知名的高水平日本麻將平臺。它吸引了全球近 33 萬名麻將愛好者，其中不乏大量的專業麻將選手。
天鳳平臺規定，只有獲批準的 AI 才可以進入“特上房”參與對戰，目前在該房間可以達到的最高段位是十段。另一個房間是“鳳凰房”，最高段位是十一段，僅對七段以上的人類付費玩家開放，目前不允許 AI 參與游戲。
除了 Suphx，還有另外兩個 AI 也獲準進入“特上房”比賽，分別是“爆打”和“NAGA25”。目前，Suphx 是唯一一個達到“特上房”最高段位的 AI。
由于單局麻將存在著很大的運氣成分，所以天鳳平臺會通過“穩定段位”來衡量一位玩家的真實水平。在 5760 場比賽過后，Suphx 的穩定段位超過了8.7，不僅高于爆打和 NAGA，還超越了頂級人類選手（十段及以上）的整體穩定段位。
這些成就意味著，Suphx 在四個月內成長為了最強日麻 AI。日本麻將的愛好者和專業參賽選手，紛紛尋找著它背后的開發者，但一無所獲。
（Suphx 的官方社交賬號上，只有簡單的介紹）直到 8 月 29 日世界人工智能大會舉行，Suphx 的身世才被公諸于世。當天上午，微軟全球執行副總裁、微軟人工智能及微軟研究事業部負責人沈向洋博士對外宣布，Suphx 是微軟亞洲研究院的工作成果，由劉鐵巖博士帶隊研發。
劉鐵巖博士是微軟亞洲研究院副院長，長于深度學習、增強學習、分布式機器學習等領域。他的團隊曾發布了微軟分布式機器學習工具包（DMTK）、微軟圖引擎（Graph Engine）等開源項目。
(微軟亞洲研究院副院長劉鐵巖）對 AI 來說，為什么麻將比圍棋、德州撲克更難？
“2017 年中旬，我們一個研究團隊跟我說要做麻將 AI。我也不知道能不能成，因為相比象棋、圍棋、德州撲克，麻將的難度更高。而且，他們打麻將水平都不怎么樣。”微軟全球資深副總裁、微軟亞太研發集團主席兼微軟亞洲研究院院長洪小文對 PingWest 品玩表示。
麻將的難，在于其屬于“不完美信息游戲”（Imperfect-Information Games），讓計算機擅長的搜索能力無法直接發揮，且具備復雜的獎勵機制。
不完美信息游戲，是指游戲中信息暴露程度低。“圍棋、象棋等棋類游戲，對局雙方可以看到局面的所有信息，屬于完美信息游戲（Perfect-Information Games）；而撲克、橋牌、麻將等游戲，雖然每個參與者都能看到對手打過的牌，但并不知道對手的手牌和游戲的底牌，屬于不完美信息游戲”。
在日本麻將中，每個玩家有 13 張手牌，另外還有 84 張底牌。對于一個玩家而言，他只知道自己手里的 13 張牌和之前已經打出來的牌，卻無法知道別人的手牌和沒有翻出來的底牌。所以，最多的時候一位玩家未知的牌有超過 120 張。
為了更好地解釋不完美信息游戲，劉鐵巖打了個比方：“如果把圍棋這樣的（完美信息）比賽比喻成一顆游戲樹，那像麻將這樣的比賽就是很多樹組成的森林，參與者并不知道自己在哪棵樹上。”
對于完美信息游戲，通常可以用“狀態空間復雜度”和“游戲樹復雜度”來衡量其游戲難度。
所謂“狀態空間復雜度”，即游戲開始后，棋局進行過程中，所有符合規則的狀態總數量。“例如棋類游戲中，每移動一枚棋子或捕獲一個棋子，就創造了一個新的棋盤狀態，所有這些棋盤狀態構成游戲的狀態空間”。
計算狀態空間復雜度最常用的一種方法是，包含一些不符合規則或不可能在游戲中出現的狀態，從而計算出狀態空間的一個上界（Upper Bound）。例如在估計圍棋狀態數目上界的時候，允許出現棋面全部為白棋或者全部為黑棋的極端情況。
游戲樹復雜度（GTC）代表了所有不同游戲路徑的數目，是一個比狀態空間復雜得多的衡量維度，因為同一個狀態可以對應于不同的博弈順序。
微軟亞洲研究院的博客舉了一個例子：下圖中，兩邊的井字棋游戲都有有兩個 X 和一個 O，屬于同一狀態。但這個狀態可能由兩種不同的方式形成，形成路徑取決于第一個 X 的下子位置。
（井字棋游戲中統一狀態的不同形成過程）在完美信息棋牌游戲中，不管是狀態空間復雜度，還是游戲樹復雜度，圍棋都遠遠超過其他棋牌類游戲。
而對于不完美信息游戲而言，衡量游戲難度的維度更加復雜，需要在狀態空間復雜度的基礎上引入一個新概念“信息集”。
舉例而言，在撲克游戲中，玩家 A 拿了兩張 K，玩家 B 拿了不同的牌對應不同的狀態；但是從 A 的視角看，這些狀態是不可區分的。
“我們把每組這種無法區分的游戲狀態稱為一個信息集。”劉鐵巖介紹道。
完美信息游戲里所有信息都是已知的，每個信息集只包含一個游戲狀態，因此它的信息集數目與狀態空間數目是相等的。
而不完美信息游戲中，每個信息集包含若干個游戲狀態，因此信息集數目通常小于狀態空間的數目。
與信息集數目匹配的，是信息集的平均大小。這個概念指的是在信息集中平均有多少不可區分的游戲狀態。
據微軟亞洲研究院博客，信息集的數目反映了不完美信息游戲中，所有可能的決策節點的數目，而信息集的平均大小則反映了游戲中每個局面背后隱藏信息的數量。當對手的隱藏狀態非常多時，傳統的搜索算法基本上無從下手。
（圍棋、德州撲克、橋牌和麻將的信息集數目和信息集平均大小對比）圍棋和德州撲克的信息集平均大小遠遠小于橋牌和麻將。AI 在圍棋和德州撲克上的成功很大程度依賴于搜索算法，因為搜索可以最大程度地發揮計算機的計算優勢。
橋牌和麻將中，由于信息集平均大小比較大，存在著較多隱藏信息，難以直接采用 AlphaGo 等棋盤游戲 AI 常用的蒙特卡洛樹搜索算法。
此外，日本麻將有著復雜的獎勵機制。日麻一輪游戲共包含 8 局，最后根據 8 局的得分總和進行排名，來形成最終影響段位的點數獎懲。玩家的段位越高，輸掉比賽后扣掉的點數越多，因此有時麻將高手會策略性輸牌。
劉鐵巖舉例道：“比如，A 玩家已經大比分領先第二名的情況下，在底 8 輪時就會相對保守，確保自己不會輸。”這為構建高超的麻將 AI 策略帶來了額外的挑戰，AI 需要審時度勢，把握進攻與防守的時機。
Suphx 是如何解決難題的？
項目一開始，劉鐵巖團隊用了一些“基線（Baseline）的解決辦法”——嘗試用 AlphaGo 和德州撲克上的方法解一解看看怎么樣。
“麻將的種種特點決定了，很難直接利用 AlphaGo 等棋盤游戲 AI 常用的蒙特卡洛樹搜索算法。”劉鐵巖強調，“這激勵我們要想出新的點子。”
在一年多的摸索期，劉鐵巖團隊基于深度強化學習技術，并且引入三項新技術來提升強化學習的效果。深度強化學習是深度學習和強化學習的結合。這項技術集合了深度學習在感知問題上強大的理解能力，以及強化學習的決策能力，通常用于解決現實場景中的復雜問題。
在深度強化學習的基礎上，針對非完美信息游戲的特點，劉鐵巖團隊嘗試用“先知教練”技術來提升強化學習的效果。
先知教練技術的基本思想是在自我博弈的訓練階段，利用不可見的一些隱藏信息來引導 AI 模型的訓練方向，使其學習路徑更加清晰、更加接近完美信息意義下的最優路徑，從而倒逼 AI 模型更加深入地理解可見信息，從中找到有效的決策依據。
然而，在訓練模型階段采用的先知教練技術，在真正的實戰中是沒有的，這意味著訓練和實戰間存在著一個 Gap（差距）。
劉鐵巖對 PingWest 品玩表示：“我們不能夠保證一定把那個 Gap 給抹掉，比如說它在訓練階段能夠看到不該看到的東西，實戰中它是永遠看不到的。這個信息的 Gap 我們是控制不了的，但是作為先知教練可以引導麻將 AI 不會走的太偏太遠，會沿著我們想走的大方向走,。這個能保證訓練過程的平穩性，對深度強化學習是非常重要的。”
針對信息集平均大小比較大這個特點，研究團隊引入了自適應決策，對探索過程的多樣性進行動態調控，讓 Suphx 可以比傳統算法更加充分地試探牌局狀態的不同可能。
另外，對于日本麻將復雜的獎勵機制，劉鐵巖團隊加入了全盤預測技術。
“這個預測器通過精巧的設計，可以理解每輪比賽對終盤的不同貢獻，從而將終盤的獎勵信號合理地分配回每一輪比賽之中，以便對自我博弈的過程進行更加直接而有效的指導，并使得 Suphx 可以學會一些具有大局觀的高級技巧。”劉鐵巖解釋道。
總體而言，Suphx 使用的是深度強化學習這個大框架，但又加入了一些創新的技術點：先知教練、自適應決策和全盤預測。
在 2019 年 3 月上線 Suphx 平臺之前，背后這一整套技術已經有了雛形，同時進行了大量的自我博弈。
“Suphx 在線上對戰了 5760 場，但在線下自我博弈將近 2000 萬場。”劉鐵巖對 PingWest 品玩表示，“雖然自我博弈學到的信號數量很多，但是學到更多的是在自己身上怎么提高。5760 場里面我們學到別人打法的風格、以及實戰中遇到的困難應該如何解決。”
劉鐵巖透露，研究團隊計劃過一段時間會有一篇比較深入的科學論文跟大家分享, “在那里面大家會看到更多的細節”。
Suphx 背后的技術可以用在什么地方？
在 AI 進化的過程中，游戲 AI 一直相伴相生。1949 年開始，就有科學家研究算法，讓計算機下國際象棋。雙陸棋、國際跳棋、國際象棋、圍棋等棋盤類游戲，都有人機對戰的蹤影。
1997 年 5 月 11 日，國際象棋 AI 深藍在正常時限的比賽中，首次擊敗了等級分排名世界第一的棋手。這一天成為了人機對戰的里程碑。
在洪小文看來，游戲 AI 對解決現實問題有著重要的研究意義：“現實世界更加復雜，而游戲均有一個清晰的規則、勝負判定條件和行動準則。如果不定規則，大家各做各的，就無法交流。研究也是這樣的，將問題切成小問題，小問題里面規則定清楚，再往前走。”
麻將這一類不完美的信息游戲，正是現實生活中許多問題的映射。洪小文舉例道：“追女朋友、企業經營、投資，都有大量的你不知道的隱藏信息。”
雖然 Suphx 面世不久，背后的技術還沒有全部應用到實際問題中，但部分技術已經在做嘗試。
“我們和華夏基金以及太平資產合作，做了一些實盤投資的嘗試, 取得了非常好的效果。”劉鐵巖告訴 PingWest 品玩，“我們用歷史交易數據訓練的 AI 模型，到真正市場上會面臨完全不一樣的數據，所以要動態地適應實際場景并做出改變，這個和 Suphx 里面的自適應決策是一脈相承的。”
盡管落地是研究的最終目標，但洪小文認為，純粹的好奇心對研究人員來說更加寶貴：“做這項研究的時候，他們有沒有想過未來可以怎么應用？八成是沒有想，也不應該想，以好奇心驅動的研究是推動整個科研發展的基石。最明顯的例子是，基礎數學很多研究在當時都不見得有應用。”
有意思的是，天鳳平臺 CEO 角田真吾在被問到“為什么會歡迎 AI和人類對弈”時，給出了和洪小文幾乎一樣的措辭——純粹出自于人類的好奇心
免責聲明：本文由作者原創。文章內容系作者個人觀點，轉載目的在于傳遞更多信息，并不代表EETOP贊同其觀點和對其真實性負責。如涉及作品內容、版權和其它問題，請及時聯系我們，我們將在第一時間刪除！
