{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"fa2211c7-60b5-424b-a841-a97c7196aed1","title":"数据资本时代","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787508694313","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"fa2211c7-60b5-424b-a841-a97c7196aed1","id":"fa2211c7-60b5-424b-a841-a97c7196aed1","uuid":"fa2211c7-60b5-424b-a841-a97c7196aed1","title":"数据资本时代","normalized_title":"数据资本时代","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787508694313","isbns":["9787508694313","9783642038211"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":278,"navigation_url":"https://workshop.closeclaw.top/ai/book/fa2211c7-60b5-424b-a841-a97c7196aed1","title_url":"https://workshop.closeclaw.top/ai/title/%E6%95%B0%E6%8D%AE%E8%B5%84%E6%9C%AC%E6%97%B6%E4%BB%A3","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/fa2211c7-60b5-424b-a841-a97c7196aed1/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/fa2211c7-60b5-424b-a841-a97c7196aed1/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1","page_url":"https://workshop.closeclaw.top/api/ai/books/fa2211c7-60b5-424b-a841-a97c7196aed1/page","search_url":"https://workshop.closeclaw.top/api/ai/books/fa2211c7-60b5-424b-a841-a97c7196aed1/search"},"page":{"printed_page":59,"pdf_page":79,"physical_index":79,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"47dfb45121d63c2d03b33f7e9675a39d10911b13ef3197a1d3948fb14abf0d5b"},"chapter":"第3章","content":"Libratus的人类对手们拼尽全力，来探查计算机大脑的习惯与模式。2015年，包括莱斯在内的4名职业玩家曾与Libratus的前身Claudico比赛，并取得了胜利。Claudico是由卡内基-梅隆大学的托马斯·桑德霍姆团队制造的(Libratus也是)。Claudico很难推算出职业玩家是否在虚张声势，这导致它在很多牌局中进行了次优的押注选择。每天晚上，看过打印出来的牌局信息后，莱斯和他的同伴们就会找到Claudico的策略弱点。第二天，他们会积极利用这些弱点。\n\n然而，对于Libratus来说，他们的方法失效了。随着比赛的推进，Libratus变得越来越好。正如莱斯所说的：“我们确实有这样的印象，那就是Libratus正在适应我们在比赛过程中的玩法。”Libratus一直在努力了解我们所尝试的那些不同寻常的大小赌注，并且在比赛中的每个晚上，它都会填补好自己的漏洞。\n\n计算机的决策不会受到人类认知的约束\n\n在为2017年的这场比赛做准备的几个月里，Libratus已经和自己玩了上万亿手的牌。随着系统的不断学习，在识破人类玩家的虚张声势方面，它的能力已大大提高，这就使得它能够找到最优赌注，赢得任何一手牌因为它的对手要么弃牌，要么手里拿着的牌不好。对Libratus的做法，莱斯进行了反思：“Libratus完全不受结果的影响，并且总是在策略上保持一致。如果要描述具有这种行事风格的一个人，我们就会叫他机器’。当然，Libratus没有感情，即使拿了一手烂牌，它也会毫不犹豫地押下巨额赌注。”2017年，人类终于遇到了他们的对手：Libratus获得了超过170万美元的筹码，并最终赢得了比赛。\n\n第4章 市场的复兴\n\n059","previous_page":null,"next_page":60}