News & analizy
Libratus: co pokerowa AI mówi o decyzjach przy braku informacji
Zaktualizowano: Autor: Andrzej Niemiec6 min czytania
Spis treści
- Czym był Libratus i co dokładnie pokazał w 2017 roku?
- Dlaczego poker heads-up jest dla AI trudniejszym testem niż szachy?
- Jak Libratus podejmował decyzje bez ludzkich historii rozdań?
- Czym różni się Libratus od Pluribus?
- Czy wynik Libratusa przekłada się na decyzje biznesowe?
- Jak wykorzystać wnioski z pokera we własnej organizacji?
- Najczęstsze pytania
- 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].
| Kryterium | Libratus (2017) | Pluribus (2019) |
|---|---|---|
| Format gry | heads-up no-limit Texas Hold'em, dwóch graczy | sześcioosobowy no-limit Texas Hold'em |
| Przeciwnicy | czterech profesjonalistów, każdy w osobnym pojedynku | pięciu profesjonalistów w jednej grze |
| Zaplecze badawcze | Carnegie Mellon University | Facebook AI Research i Carnegie Mellon |
| Znaczenie wyniku | przewaga w grze przy niepełnej informacji | kolejny 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
- Carnegie Mellon Artificial Intelligence Beats Top Poker Pros (Carnegie Mellon University, 2017)
- Superhuman AI for heads-up no-limit poker: Libratus beats top professionals (Science, 2017)
- How card-playing A.I. beat top poker pros (Futurity, 2017)
- Oh the humanity! Poker computer trounces humans in big step for AI (The Guardian, 2017)
- Carnegie Mellon Reveals Inner Workings of Victorious Poker AI (Carnegie Mellon University, 2017)
- How an AI took down four world-class poker pros (Engadget, 2017)
- Facebook AI Pluribus defeats top poker professionals in 6-player Texas Hold'em (Ars Technica, 2019)
- Facebook and CMU's poker AI beat five pros at once (Engadget, 2019)
- AI nie zastąpi menedżerów. Sztuczna inteligencja to tylko narzędzie (Forsal)
- AI przejmuje analizę, ale nie decyzje (egospodarka.pl)
- Czy AI robi z nas fishy? (PokerStrategy PL)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji