围棋的空间复杂度高，据估计围棋的决策点大概有10的170次方之多。找到合适的策略和价值函数一直是围棋AI的核心问题。蒙特卡洛树搜索算法用概率的方法帮助围棋AI找到了一个较为准确的价值函数，并帮助程序达到了业余高段的水平。而借助深度神经网络，研究员寻找到了更好的策略和价值函数的计算方法。通过增强学习，AI还可以无限模拟各种对弈情境，生成上亿数据，用来训练生成更准确的函数。集大成的 “AlphaGo”在2016年以4：1历史性战胜了世界顶级围棋棋手李世石。而正在进行的AlphaGo新版本与柯洁之战，不知道又给我们带来何种新算法和启示。

　　非完全信息类——三缺一也不怕了吗

　　在博弈过程中，如果双方得到的信息是不完全、不对等的，需要通过猜测对方底牌计算概率，就属于非完全信息类，如德州扑克、桥牌、麻将等。

　　非完全信息博弈要求更为复杂的推理能力，不仅要看别人打了什么牌，还要猜测别人手里有什么牌，并根据对手行动暗示出的信息，来计算自己的最优出牌出法。由于对手的行为不仅暗示他的信息，也取决于他对我们的私人信息有多少了解，我们的行为透露了多少信息。所以，这种“循环推理”，导致一个人很难孤立地推理出游戏的状态。

　　现代博弈理论创建者、计算机先锋冯·诺依曼有句名言，用来形容非完全信息类对弈再合适不过：“现实世界有很多假象、骗术，需要你去思考别人对你的策略到底看穿了多少。这就是我提出的理论所涉及的博弈。”

德州扑克 | 难度指数 ★★★★

　　德州扑克的搜索复杂度是10的160次方，和国际围棋接近。博弈中主要采用“纳什均衡”原理——在一个特定时刻，寻找相对于其他参与人的最优反应。与围棋相比，扑克不仅要根据不完全信息进行复杂决策，还要应付对手的虚张声势、故意示弱等招数。去年年底，来自阿尔伯塔大学、查尔斯大学和布拉格捷克理工大学的计算机科学家开发的 DeepStack在二人无限注德州扑克中打败了人类职业玩家；今年年初，卡内基?梅隆大学所开发的 Libratus 又击败了四个更加优秀的职业选手，这是AI 在不完全信息博弈中堪称里程碑式的突破。对于人工智能而言，下一个挑战是征服多人扑克。

麻将 | 难度指数 ★★★

　　目前麻将主要风靡于亚洲，所以国标麻将和日本麻将都有比较强的 AI，高于人类平均水平，但是和人类顶尖高手的水平还是有较大的距离。麻将的搜索复杂程度远远小于围棋和德州扑克，但是由于（一般）是四人博弈，其对技术的要求和二人零和博弈（例如一对一德州扑克）很不相同。二人零和博弈的解法主要是寻找纳什均衡策略或近似纳什均衡策略，多人博弈中由于存在多个均衡的可能性以及多人的相互影响，纳什均衡策略没有任何性能的保证，从技术上来讲这意味着大家几乎要从头再来，这在技术上带来了新的挑战（和多人扑克比较类似）。

星际争霸，我的世界 | 难度指数 ★★★★★

　　星际争霸和我的世界这类游戏的复杂程度不仅在信息的不对称，更在于其更加开放的游戏规则。此类游戏更加类似人们在现实世界中遇到的情况。游戏规则的开放性让游戏世界会出现很多计算机很难处理的新情况。比如特殊的从未出现过的地形特点，对手长时间的密谋和规划等。排除计算机在运行速度上的优势，计算机还未真正在这些游戏上证明自己的能力。

　　小贴士：与完全信息类对弈相比，有时候德州扑克、麻将对弈输了，不全是因为打得不好，有可能从一开始牌不好，所以赢面比较低。运气的成分在这类棋艺比赛中非常重，这一点与国际象棋和围棋大不同。在围棋中，专业选手和非专业选手的对决，从来不会因为运气的存在而马失前蹄或极其偶然地咸鱼翻身。

　　棋牌类AI 的意义在哪里？

　　从社会层面的反馈看，有人会顾虑，机器对弈人类获得成功，会破坏棋类艺术本身的意味，它们会让专业棋手的价值受到挑战，甚至让更多的人放弃学习棋类运动；有人却觉得这样的赛事可以普及各种棋类，让更多人对这些棋类、游戏等产生兴趣；还有人会夸大AI带来的对人类的威胁……