當然有alphago的先例，這個對廣大吃瓜群衆的沖擊可能沒有那麼大。但我個人覺得非對稱資訊博弈的實用價值更大些。因為非對稱資訊博弈的應用範圍非常廣泛，涵括我們每天遇到的所有決策，上至國家戰略，下至日常瑣事，全都可以以同樣的方法模組化。
非對稱資訊博弈難在哪裡？
一方面是因為對于同樣的客觀狀态，各個玩家看到的資訊不同，是以增加了每個玩家狀态空間的數目和決策的難度；
另一方面即使在同樣的狀态數下，解非對稱資訊遊戲所需要的記憶體也要比解對稱資訊要多得多，這個主要是對于對稱資訊博弈來說，隻要記得目前局面并且向下推演找到比較好的政策就可以了；但對非對稱資訊博弈，隻記得目前（不完整的）局面是不夠的，即使盤面上的情況相同，但對手之前的各種招法會導緻事實上局面不同，隻有把它們全都羅列出來進行分析，才能保證想出的應對政策不被别人利用。
比如說玩石頭剪刀布，在看不到别人出招的時候輪到自己出招，如果别人一直用石頭剪刀布各1/3的混合政策，那自己就會發現好像怎麼出招收益都是0，于是每次都出石頭，但是這樣的話，對手就可以利用這個政策的弱點提高自己的收益。是以一個好的算法就要求，基于别人已有政策得到的新政策盡可能地少被别人利用(low
exploitability)。
這次的遊戲是head-up unlimited texas hold'em，直譯過來是兩人無限注德州撲克。所謂兩人就是一對一的零和遊戲，不是多人遊戲。所謂無限注，就是在加籌碼的時候可以任意加（比如著名的把全部籌碼都押上的all in），而限注（limited），是指在加籌碼的時候隻能加一個固定的數字（通常是前兩輪和大盲注一樣，後兩輪是大盲注兩倍）。
這次cmu和alberta用的方法，也和之前的類似，都是counterfactual regret minimization (cfr)的變種。這次的主要貢獻在于：
deepstack用上了continuous resolving，即動态地解子遊戲以避開存儲海量政策時記憶體不足的問題，還有值網絡；
cfr的思路非常簡單，從随機政策開始，每次優化一個玩家的政策以提高其收益并反複疊代，最後取平均政策作為最終政策。每次優化用的是悔恨值最小化（regret minimization）的辦法，所謂悔恨值就是事後最優選擇的收益，減去當時選擇的收益，悔恨值最小化就是把到目前為止的累計悔恨值拿過來，看哪一步累計悔恨值高，以後就多走這一步，至于多走的機率，有各種算法（比如說regret matching和hedge）。
對于兩人零和遊戲，可以證明cfr會收斂到納什均衡點，也就是“反正我就這麼一招，你怎麼也破不了”這樣的終極招數。是以計算機現在使用的算法，最終目的并不是要利用對方弱點獲得勝利，而是找出神功以達到無人可敵的境界。當然要達到這個境界，訓練過程中仍然是不斷找對方弱點讓自己變強。
cfr是個帶有理論界的通用算法，說它可以解決一切的非對稱資訊博弈問題也不為過。但是世界上自然沒有免費午餐，在跑cfr的時候，每次都要周遊一次遊戲所有可能的狀态，而任何一個稍微複雜點的遊戲都有指數級的狀态，是以運作時間上肯定是不能接受的。
這就有很多折中辦法，比如說狀态量化（認為2到9都是小牌用同一個政策處理），剪枝（對方不太可能走這一步，那就不用再搜尋下去了），随機采樣（采樣一些路徑以代替全部的遊戲分支），函數拟合（比如說用值網絡來代替深層搜尋），等等。
總的來說，cfr和幾年前的rl很像，都是傳統ai的帶理論界的老方法，都是在現實問題中有指數複雜度，都是現在漸漸開始深度學習化，是以我相信以後會有更廣闊的發展。
本文作者：田淵棟