比 AlphaGo 更复杂 最强日本麻将 AI 如何炼成
原创： Decode PingWest品玩
麻将的难，在于其属于“不完美信息游戏”（Imperfect-Information Games），让计算机擅长的搜索能力无法直接发挥。
“我突然想起了一句话，神仙怎么打都是对的。”
“这个 AI 的牌效不是一般凤凰（有一定实力的玩家）能摸清的，人名字就是 super phoenix（超级凤凰）。”
“感觉 ai 的打法都不太能被推理完全，这种基于训练的对某种特征做出的反应对于人类来说就是迷啊…”
这些评论来自于 B 站上一个系列的视频，视频主角是一个名为 Suphx（意为 Super Phoenix）的麻将 AI。2019 年 6 月，有创作者开始制作 Suphx 牌谱的视频。上传到 B 站后，引起了不少麻将爱好者的讨论。
在多数评论里，Suphx 被称为“最强日麻人工智能”。 
事实上，不止是国内的 B 站，当时 Suphx 的声名已经传遍了日本麻将界。
神秘的最强日麻 AI
2019 年 3 月起，Suphx 获批进入专业麻将平台“天凤”。短短四个月内，Suphx 在该平台疯狂对战 5760 次，成功达到十段，从而在日本麻将界声名大噪。
麻将在中国群众基础深厚、普及率高，有“国粹”之称，但民间流行的麻将规则不一，且竞技化程度相对较低，而日本麻将拥有世界上竞技化程度最高的麻将规则。天凤则是业界知名的高水平日本麻将平台。它吸引了全球近 33 万名麻将爱好者，其中不乏大量的专业麻将选手。
天凤平台规定，只有获批准的 AI 才可以进入“特上房”参与对战，目前在该房间可以达到的最高段位是十段。另一个房间是“凤凰房”，最高段位是十一段，仅对七段以上的人类付费玩家开放，目前不允许 AI 参与游戏。
除了 Suphx，还有另外两个 AI 也获准进入“特上房”比赛，分别是“爆打”和“NAGA25”。目前，Suphx 是唯一一个达到“特上房”最高段位的 AI。
由于单局麻将存在着很大的运气成分，所以天凤平台会通过“稳定段位”来衡量一位玩家的真实水平。在 5760 场比赛过后，Suphx 的稳定段位超过了8.7，不仅高于爆打和 NAGA，还超越了顶级人类选手（十段及以上）的整体稳定段位。 
这些成就意味着，Suphx 在四个月内成长为了最强日麻 AI。日本麻将的爱好者和专业参赛选手，纷纷寻找着它背后的开发者，但一无所获。 
▲（Suphx 的官方社交账号上，只有简单的介绍）
直到 8 月 29 日世界人工智能大会举行，Suphx 的身世才被公诸于世。当天上午，微软全球执行副总裁、微软人工智能及微软研究事业部负责人沈向洋博士对外宣布，Suphx 是微软亚洲研究院的工作成果，由刘铁岩博士带队研发。
刘铁岩博士是微软亚洲研究院副院长，长于深度学习、增强学习、分布式机器学习等领域。他的团队曾发布了微软分布式机器学习工具包（DMTK）、微软图引擎（Graph Engine）等开源项目。 
▲(微软亚洲研究院副院长刘铁岩）
对 AI 来说，为什么麻将比围棋、德州扑克更难？
“2017 年中旬，我们一个研究团队跟我说要做麻将 AI。我也不知道能不能成，因为相比象棋、围棋、德州扑克，麻将的难度更高。而且，他们打麻将水平都不怎么样。”微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文对 PingWest 品玩表示。
麻将的难，在于其属于“不完美信息游戏”（Imperfect-Information Games），让计算机擅长的搜索能力无法直接发挥，且具备复杂的奖励机制。
不完美信息游戏，是指游戏中信息暴露程度低。“围棋、象棋等棋类游戏，对局双方可以看到局面的所有信息，属于完美信息游戏（Perfect-Information Games）；而扑克、桥牌、麻将等游戏，虽然每个参与者都能看到对手打过的牌，但并不知道对手的手牌和游戏的底牌，属于不完美信息游戏”。
在日本麻将中，每个玩家有 13 张手牌，另外还有 84 张底牌。对于一个玩家而言，他只知道自己手里的 13 张牌和之前已经打出来的牌，却无法知道别人的手牌和没有翻出来的底牌。所以，最多的时候一位玩家未知的牌有超过 120 张。
为了更好地解释不完美信息游戏，刘铁岩打了个比方：“如果把围棋这样的（完美信息）比赛比喻成一颗游戏树，那像麻将这样的比赛就是很多树组成的森林，参与者并不知道自己在哪棵树上。”
对于完美信息游戏，通常可以用“状态空间复杂度”和“游戏树复杂度”来衡量其游戏难度。
所谓“状态空间复杂度”，即游戏开始后，棋局进行过程中，所有符合规则的状态总数量。“例如棋类游戏中，每移动一枚棋子或捕获一个棋子，就创造了一个新的棋盘状态，所有这些棋盘状态构成游戏的状态空间”。
计算状态空间复杂度最常用的一种方法是，包含一些不符合规则或不可能在游戏中出现的状态，从而计算出状态空间的一个上界（Upper Bound）。例如在估计围棋状态数目上界的时候，允许出现棋面全部为白棋或者全部为黑棋的极端情况。
游戏树复杂度（GTC）代表了所有不同游戏路径的数目，是一个比状态空间复杂得多的衡量维度，因为同一个状态可以对应于不同的博弈顺序。
微软亚洲研究院的博客举了一个例子：下图中，两边的井字棋游戏都有有两个 X 和一个 O，属于同一状态。但这个状态可能由两种不同的方式形成，形成路径取决于第一个 X 的下子位置。 
▲（井字棋游戏中统一状态的不同形成过程）
在完美信息棋牌游戏中，不管是状态空间复杂度，还是游戏树复杂度，围棋都远远超过其他棋牌类游戏。
而对于不完美信息游戏而言，衡量游戏难度的维度更加复杂，需要在状态空间复杂度的基础上引入一个新概念“信息集”。
举例而言，在扑克游戏中，玩家 A 拿了两张 K，玩家 B 拿了不同的牌对应不同的状态；但是从 A 的视角看，这些状态是不可区分的。
“我们把每组这种无法区分的游戏状态称为一个信息集。”刘铁岩介绍道。
完美信息游戏里所有信息都是已知的，每个信息集只包含一个游戏状态，因此它的信息集数目与状态空间数目是相等的。
而不完美信息游戏中，每个信息集包含若干个游戏状态，因此信息集数目通常小于状态空间的数目。
与信息集数目匹配的，是信息集的平均大小。这个概念指的是在信息集中平均有多少不可区分的游戏状态。
据微软亚洲研究院博客，信息集的数目反映了不完美信息游戏中，所有可能的决策节点的数目，而信息集的平均大小则反映了游戏中每个局面背后隐藏信息的数量。当对手的隐藏状态非常多时，传统的搜索算法基本上无从下手。 
▲（围棋、德州扑克、桥牌和麻将的信息集数目和信息集平均大小对比）
围棋和德州扑克的信息集平均大小远远小于桥牌和麻将。AI 在围棋和德州扑克上的成功很大程度依赖于搜索算法，因为搜索可以最大程度地发挥计算机的计算优势。
桥牌和麻将中，由于信息集平均大小比较大，存在着较多隐藏信息，难以直接采用 AlphaGo 等棋盘游戏 AI 常用的蒙特卡洛树搜索算法。
此外，日本麻将有着复杂的奖励机制。日麻一轮游戏共包含 8 局，最后根据 8 局的得分总和进行排名，来形成最终影响段位的点数奖惩。玩家的段位越高，输掉比赛后扣掉的点数越多，因此有时麻将高手会策略性输牌。
刘铁岩举例道：“比如，A 玩家已经大比分领先第二名的情况下，在底 8 轮时就会相对保守，确保自己不会输。”这为构建高超的麻将 AI 策略带来了额外的挑战，AI 需要审时度势，把握进攻与防守的时机。 Suphx 是如何解决难题的？
项目一开始，刘铁岩团队用了一些“基线（Baseline）的解决办法”——尝试用 AlphaGo 和德州扑克上的方法解一解看看怎么样。
“麻将的种种特点决定了，很难直接利用 AlphaGo 等棋盘游戏 AI 常用的蒙特卡洛树搜索算法。”刘铁岩强调，“这激励我们要想出新的点子。”
在一年多的摸索期，刘铁岩团队基于深度强化学习技术，并且引入三项新技术来提升强化学习的效果。深度强化学习是深度学习和强化学习的结合。这项技术集合了深度学习在感知问题上强大的理解能力，以及强化学习的决策能力，通常用于解决现实场景中的复杂问题。
在深度强化学习的基础上，针对非完美信息游戏的特点，刘铁岩团队尝试用“先知教练”技术来提升强化学习的效果。
先知教练技术的基本思想是在自我博弈的训练阶段，利用不可见的一些隐藏信息来引导 AI 模型的训练方向，使其学习路径更加清晰、更加接近完美信息意义下的最优路径，从而倒逼 AI 模型更加深入地理解可见信息，从中找到有效的决策依据。
然而，在训练模型阶段采用的先知教练技术，在真正的实战中是没有的，这意味着训练和实战间存在着一个 Gap（差距）。
刘铁岩对 PingWest 品玩表示：“我们不能够保证一定把那个 Gap 给抹掉，比如说它在训练阶段能够看到不该看到的东西，实战中它是永远看不到的。这个信息的 Gap 我们是控制不了的，但是作为先知教练可以引导麻将 AI 不会走的太偏太远，会沿着我们想走的大方向走,。这个能保证训练过程的平稳性，对深度强化学习是非常重要的。”
针对信息集平均大小比较大这个特点，研究团队引入了自适应决策，对探索过程的多样性进行动态调控，让 Suphx 可以比传统算法更加充分地试探牌局状态的不同可能。
另外，对于日本麻将复杂的奖励机制，刘铁岩团队加入了全盘预测技术。
“这个预测器通过精巧的设计，可以理解每轮比赛对终盘的不同贡献，从而将终盘的奖励信号合理地分配回每一轮比赛之中，以便对自我博弈的过程进行更加直接而有效的指导，并使得 Suphx 可以学会一些具有大局观的高级技巧。”刘铁岩解释道。
总体而言，Suphx 使用的是深度强化学习这个大框架，但又加入了一些创新的技术点：先知教练、自适应决策和全盘预测。 
在 2019 年 3 月上线 Suphx 平台之前，背后这一整套技术已经有了雏形，同时进行了大量的自我博弈。
“Suphx 在线上对战了 5760 场，但在线下自我博弈将近 2000 万场。”刘铁岩对 PingWest 品玩表示，“虽然自我博弈学到的信号数量很多，但是学到更多的是在自己身上怎么提高。5760 场里面我们学到别人打法的风格、以及实战中遇到的困难应该如何解决。”
刘铁岩透露，研究团队计划过一段时间会有一篇比较深入的科学论文跟大家分享, “在那里面大家会看到更多的细节”。 Suphx 背后的技术可以用在什么地方？
在 AI 进化的过程中，游戏 AI 一直相伴相生。1949 年开始，就有科学家研究算法，让计算机下国际象棋。双陆棋、国际跳棋、国际象棋、围棋等棋盘类游戏，都有人机对战的踪影。
1997 年 5 月 11 日，国际象棋 AI 深蓝在正常时限的比赛中，首次击败了等级分排名世界第一的棋手。这一天成为了人机对战的里程碑。
在洪小文看来，游戏 AI 对解决现实问题有着重要的研究意义：“现实世界更加复杂，而游戏均有一个清晰的规则、胜负判定条件和行动准则。如果不定规则，大家各做各的，就无法交流。研究也是这样的，将问题切成小问题，小问题里面规则定清楚，再往前走。”
麻将这一类不完美的信息游戏，正是现实生活中许多问题的映射。洪小文举例道：“追女朋友、企业经营、投资，都有大量的你不知道的隐藏信息。”
虽然 Suphx 面世不久，背后的技术还没有全部应用到实际问题中，但部分技术已经在做尝试。
“我们和华夏基金以及太平资产合作，做了一些实盘投资的尝试, 取得了非常好的效果。”刘铁岩告诉 PingWest 品玩，“我们用历史交易数据训练的 AI 模型，到真正市场上会面临完全不一样的数据，所以要动态地适应实际场景并做出改变，这个和 Suphx 里面的自适应决策是一脉相承的。”
尽管落地是研究的最终目标，但洪小文认为，纯粹的好奇心对研究人员来说更加宝贵：“做这项研究的时候，他们有没有想过未来可以怎么应用？八成是没有想，也不应该想，以好奇心驱动的研究是推动整个科研发展的基石。最明显的例子是，基础数学很多研究在当时都不见得有应用。”
有意思的是，天凤平台 CEO 角田真吾在被问到“为什么会欢迎 AI和人类对弈”时，给出了和洪小文几乎一样的措辞——纯粹出自于人类的好奇心。
*本文版权归“PingWest品玩”公众号所有，未经授权严禁转载。
2019年9月，网易科技和知名媒体人杨澜女士将联合推出“建国70周年”特别访谈节目——《致前行者》。杨澜将与十位顶级科学家、企业家对话，共同探讨太空奥秘、数学之美、智能制造、中国芯片、AI大时代等话题，将在9月4日正式开播，敬请期待。阅读原文
新闻推荐
□通讯员陈庆贵报道本报德州讯为进一步加强客运车辆交通安全管理工作,有效预防和减少秋季道路交通事故发生,日...
德州新闻，新鲜有料。可以走尽是天涯，难以品尽是故乡。距离德州再远也不是问题。世界很大，期待在此相遇。