Przejdź do treści

News & analizy

Libratus: co pokerowa AI mówi o decyzjach przy braku informacji

Zaktualizowano: Autor: Andrzej Niemiec6 min czytania

W styczniu 2017 roku program Libratus z Carnegie Mellon University wygrał 20-dniowy test 120 tys. rozdań heads-up no-limit Texas Hold'em z czterema profesjonalistami, kończąc z przewagą 1 766 250 wirtualnych żetonów. Wynik pokazał, jak AI radzi sobie z niepełną informacją. Nie dowodzi jednak, że algorytm podejmuje lepsze decyzje od menedżerów — tego nie mierzyło żadne z opisanych badań.
Spis treści
  1. Czym był Libratus i co dokładnie pokazał w 2017 roku?
  2. Dlaczego poker heads-up jest dla AI trudniejszym testem niż szachy?
  3. Jak Libratus podejmował decyzje bez ludzkich historii rozdań?
  4. Czym różni się Libratus od Pluribus?
  5. Czy wynik Libratusa przekłada się na decyzje biznesowe?
  6. Jak wykorzystać wnioski z pokera we własnej organizacji?
  7. Najczęstsze pytania
  8. Źródła

Czym był Libratus i co dokładnie pokazał w 2017 roku?

Libratus to program pokerowy z Carnegie Mellon University, zbudowany przez Noama Browna i Tuomasa Sandholma. W styczniu 2017 roku rozegrał 120 tys. rozdań z czterema zawodowcami w osobnych pojedynkach heads-up. Mecz trwał 20 dni, zakończył się 30 stycznia, a przewaga programu wyniosła 1 766 250 żetonów, nie dolarów [1][2].

Przeciwnikami byli Dong Kim, Jimmy Chou, Daniel McAulay i Jason Les. Każdy grał z Libratusem osobno, przy komputerze w Rivers Casino w Pittsburghu. To ważne rozróżnienie: nie była to jedna gra czterech osób przy wspólnym stole, lecz cztery niezależne pojedynki [3][4].

Stawka także wymaga sprostowania. Gra toczyła się o wirtualne żetony, a rzeczywista pula nagród dla zawodników wynosiła 200 tys. dolarów [1]. Kwota 1 766 250 opisuje przewagę w żetonach, a nie stratę pieniędzy, którą pokerzyści mieli ponieść.

Dlaczego poker heads-up jest dla AI trudniejszym testem niż szachy?

Szachy i Go to gry o pełnej informacji: obaj gracze widzą całą planszę. W pokerze przeciwnik zna swoje karty, a ty nie. Decyzję trzeba podjąć, nie wiedząc, co dokładnie trzyma druga strona — i to właśnie ten warunek sprawia, że wynik Libratusa jest ciekawszy niż kolejne zwycięstwo nad arcymistrzem [2][3].

Poker heads-up dodaje jeszcze jeden czynnik: blef. Algorytm nie może opierać się wyłącznie na sile własnych kart, bo przeciwnik czyta jego zakłady. Musi grać strategią mieszaną, w której część decyzji jest celowo nieprzewidywalna. Publikacja w Science opisuje Libratusa jako system superludzki w heads-up no-limit pokerze — w tym jednym wariancie, nie w zarządzaniu [2].

Jak Libratus podejmował decyzje bez ludzkich historii rozdań?

System nie uczył się na zapisach rozgrywek profesjonalistów. Rozgrywał symulowane partie i korzystał z metod teorii gier. CMU opisuje trzy elementy: strategię bazową, rozwiązywanie podgier w czasie rzeczywistym oraz moduł samodoskonalenia, który wykrywał luki we własnej strategii i je uzupełniał [5][2].

Za kulisami stała poważna infrastruktura. Strategię obliczano i aktualizowano na superkomputerze Bridges w Pittsburgh Supercomputing Center; CMU podawało użycie około 600 węzłów [1][6]. To nie był laptop z chatbotem, lecz system obliczeniowy pracujący nad strategią przez cały czas trwania meczu.

Metoda należy do rodziny Monte Carlo counterfactual regret minimization. W uproszczeniu: algorytm wielokrotnie przelicza, jak powinien zagrać w danym stanie gry, i koryguje strategię tam, gdzie traci względem najlepszej odpowiedzi przeciwnika [2][5]. Nie ma tu intuicji ani rozpoznawania ludzkich słabości — jest rachunek prawdopodobieństwa i iteracyjne poprawki.

Czym różni się Libratus od Pluribus?

Dwa lata później ten sam kierunek badań poszedł dalej. Pluribus, rozwijany przez Facebook AI Research i Carnegie Mellon, wygrał w 2019 roku z profesjonalistami w sześcioosobowym no-limit Texas Hold'em. To inny problem obliczeniowy: gra wieloosobowa jest znacznie trudniejsza niż pojedynek, bo trzeba modelować kilka strategii naraz [7][8].

KryteriumLibratus (2017)Pluribus (2019)
Format gryheads-up no-limit Texas Hold'em, dwóch graczysześcioosobowy no-limit Texas Hold'em
Przeciwnicyczterech profesjonalistów, każdy w osobnym pojedynkupięciu profesjonalistów w jednej grze
Zaplecze badawczeCarnegie Mellon UniversityFacebook AI Research i Carnegie Mellon
Znaczenie wynikuprzewaga w grze przy niepełnej informacjikolejny etap: gra wieloosobowa

Oba wyniki mówią o tym, jak AI radzi sobie z niepewnością w ściśle zdefiniowanej grze. Żaden z nich nie jest eksperymentem menedżerskim i żaden nie mierzy jakości decyzji w firmie [2][7].

Czy wynik Libratusa przekłada się na decyzje biznesowe?

Nie ma dowodów, że przełożenie jest bezpośrednie. Autorzy wskazywali potencjalne zastosowania w negocjacjach, cyberbezpieczeństwie i finansach, ale technologia została jedynie licencjonowana spółce Strategic Machine. To nie to samo, co gotowy produkt dla zarządów czy potwierdzone wdrożenie [2][3].

Co pozostaje? Wzorzec myślenia o decyzjach przy niepełnej informacji. Jeśli nie znasz pełnej sytuacji konkurenta, nie szukaj jednej optymalnej odpowiedzi — graj strategią, która jest odporna na różne jego ruchy. To ta sama intuicja, którą opisują polskie omówienia AI w zarządzaniu: system analizuje dane, porównuje scenariusze i przygotowuje rekomendacje, a decyzję podejmuje człowiek [9][10].

Warto odróżnić dwie role. AI może przejąć analizę: przeliczyć warianty, wychwycić zależności, zestawić scenariusze. Nie zastępuje jednak odpowiedzialności za wybór. W materiale Forsal ponad połowa przedstawicieli kadry zarządzającej korzysta już z AI przy decyzjach strategicznych, ale tylko 1% uważa, że w ciągu trzech lat technologia będzie samodzielnie podejmować część z nich [9]. To deklaracja opinii, nie pomiar skuteczności — niemniej pokazuje realną lukę między wsparciem a zastąpieniem.

Praktyczny wniosek dla zespołów jest skromniejszy niż nagłówek o AI wygrywającej z menedżerami. Zamiast pytać, czy algorytm podejmie decyzję lepiej, warto zapytać, gdzie brakuje danych i gdzie decyzja zapada na wyczuciu. Od tego miejsca zaczyna się sensowna automatyzacja — więcej o przechodzeniu od pilotażu do produkcji jest w artykule Praktyczne zastosowania AI: od pilotażu do produkcji.

Jak wykorzystać wnioski z pokera we własnej organizacji?

Trzy zasady wynikają wprost z tego, jak działał Libratus. Po pierwsze, zdefiniuj grę: kto jest przeciwnikiem, jakie ma opcje i co jest wygraną. Po drugie, nie licz na jedną idealną strategię — sprawdzaj, jak plan zachowuje się przy różnych odpowiedziach rynku. Po trzecie, mierz wynik na dystansie, nie po jednym rozdaniu.

To podejście pasuje do decyzji cenowych, negocjacji z dostawcami i planowania zapasów. Nie wymaga superkomputera ani zespołu badawczego. Wymaga natomiast danych o własnych decyzjach i ich skutkach, bo bez nich nie da się porównać scenariuszy. Szerzej o ocenie modeli i narzędzi piszemy w tekście Benchmarki AI: dlaczego Nvidia postawiła na OpenClaw zamiast kolejnego hype'u.

Warto też pamiętać o ograniczeniu, które pokazuje sam przypadek Libratusa: sukces w jednej, dobrze opisanej grze nie przenosi się automatycznie na inną. W firmie reguły zmieniają się szybciej niż w kasynie, a przeciwnicy nie grają według stałej strategii. Dlatego narzędzia warto traktować jako wsparcie analizy, a nie wyrocznię — podobnie jak przy pracy z modelami w analizie danych, o czym piszemy w Codex w data science: 2 godziny pracy w 10 minut, ale nie bez haczyka.

Najczęstsze pytania

Czy Libratus naprawdę wygrał 1,7 mln dolarów?

Nie. Przewaga Libratusa wyniosła 1 766 250 wirtualnych żetonów, a nie dolarów [1]. Zawodnicy grali o żetony, a rzeczywista pula nagród w meczu wynosiła 200 tys. dolarów i została podzielona między czterech pokerzystów [1][4]. Kwota 1,7 mln bywa mylona ze stratą pieniędzy, choć opisuje wyłącznie wynik w żetonach.

Ilu graczy zmierzyło się z Libratusem i w jakim formacie?

Czterech: Dong Kim, Jimmy Chou, Daniel McAulay i Jason Les [3]. Każdy rozegrał osobny pojedynek heads-up, czyli grę dwóch osób, przy komputerze w Rivers Casino w Pittsburghu [4]. Nie była to gra czteroosobowa przy wspólnym stole — to najczęstsze nieporozumienie w opisach tego eksperymentu.

Czy AI podejmuje lepsze decyzje niż menedżerowie?

Nie ma badań, które by to potwierdzały. Libratus wykazał przewagę w jednym wariancie pokera, a nie w zarządzaniu [2]. Przegląd rynku wskazuje, że AI przejmuje analizę i przygotowanie rekomendacji, natomiast decyzję nadal podejmuje człowiek [10]. Twierdzenie o lepszych decyzjach menedżerskich jest generalizacją bez pokrycia w danych.

Co po Libratusie pokazały badania nad pokerową AI?

W 2019 roku Pluribus, tworzony przez Facebook AI Research i Carnegie Mellon, wygrał z profesjonalistami w sześcioosobowym no-limit Texas Hold'em [7][8]. To trudniejszy problem niż pojedynek, bo wymaga modelowania kilku przeciwników naraz. Wynik potwierdził kierunek badań, ale nadal dotyczy gry, nie biznesu.

Czy ChatGPT pomoże w nauce pokera?

Nie ma na to twardych danych. Tekst PokerStrategy PL opisuje wyzwanie, w którym uczestnicy zastanawiali się, czy ChatGPT jest słabym partnerem do nauki pokera [11]. To materiał publicystyczny, nie badanie skuteczności. Do nauki lepiej zacząć od analizy własnych rozdań i sprawdzonych analizatorów, a model językowy traktować jako pomoc w tłumaczeniu pojęć.

Źródła

  1. Carnegie Mellon Artificial Intelligence Beats Top Poker Pros (Carnegie Mellon University, 2017)
  2. Superhuman AI for heads-up no-limit poker: Libratus beats top professionals (Science, 2017)
  3. How card-playing A.I. beat top poker pros (Futurity, 2017)
  4. Oh the humanity! Poker computer trounces humans in big step for AI (The Guardian, 2017)
  5. Carnegie Mellon Reveals Inner Workings of Victorious Poker AI (Carnegie Mellon University, 2017)
  6. How an AI took down four world-class poker pros (Engadget, 2017)
  7. Facebook AI Pluribus defeats top poker professionals in 6-player Texas Hold'em (Ars Technica, 2019)
  8. Facebook and CMU's poker AI beat five pros at once (Engadget, 2019)
  9. AI nie zastąpi menedżerów. Sztuczna inteligencja to tylko narzędzie (Forsal)
  10. AI przejmuje analizę, ale nie decyzje (egospodarka.pl)
  11. Czy AI robi z nas fishy? (PokerStrategy PL)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji