1樓：
只說下遊戲王，遊戲王勝負的精髓在於對環境進行判斷並組卡(包括備卡)，實戰中運氣和卡組編成對勝負的影響高於操作水平和心理博弈的影響。如果你卡手了，或者被對面封鎖了，即便對方全部明牌你也束手無策。
然後遊戲王的「環境」本身也沒有標準定義，即便使用相同規則的中國和日本，地域性玩家圈子的內部交流會讓環境走向不同的方向。
如果讓人工智慧自己在乙個相對穩定的環境裡自己組卡，自己練習，相信能夠打造出比人類更加穩定，更加具有環境針對性的卡組，會有比較不錯的勝率，但是因為運氣因素而翻車的概率也不會太小。並且卡位有限，不可能兼顧所有可能的情況，被冷不丁陰到一下也很正常。如果是讓人工智慧去打臨時規則，OT合表的世界大賽，和全世界頂級玩家對戰，除非有一大幫來自世界各地的陪練幫忙提供環境預判的初始資料，那大致還是上面的情況。
讓AI裸賽，估計會被吊起來打。
2樓：影依
遊戲王嗎
alphaGO先攻了
alphaGO通召了
alphaGO展開了
alphaGO吃灰了
alphaGO打出了GG回合結束了
alphaGO被菜刀龍秒了
第二局alphaGO仍然選擇先攻
alphaGO通召了
alphaGO展開了，對面沒有手坑
alphaGO展開非常順利，是標準幻崩場
對手：進戰階
alphaGO決定換乙個對手，
alphaGO這次決定後攻
抽完牌後，對手表示手牌不是很好，可以下一局了，alphaGO想，這局似乎能贏了
對手展示了一下手牌
3樓：為了更遙遠的夢
獲勝的機率應該取決於牌庫的隨機性。盤數足夠多時應該人工智慧還是略勝一籌。
遊戲王不是很明白，就說說萬智吧。
情況一：人工智慧場面topdeck手牌完全壓制人類牌手，人類牌手百分之九十的機率會輸。
情況二：人類牌手場面topdeck手牌完全壓制人工智慧，人工智慧百分之九十的機率會輸。
情況三：兩者55開，全靠牌庫頂，兩者勝負機率等同。
情況四：兩者55開，topdeck55開，盤數足夠多時人工智慧可能略有勝算。（人類牌手可能會犯包，但人工智慧應該不會）
情況五：兩者55開，topdeck55開，兩者手裡都有trick，盤數足夠多時人工智慧可能略有勝算。（畢竟人類還是會犯包）
所以說像萬智這種一定程度上看臉（僅限t2）的遊戲算得準組的妙不如掏的好，人工智慧排程3次還是滿手地神仙也救不了它。
但如果盤數足夠多，人工智慧依靠流氓的計算能力也是可以從原本應55開的機率中抓住人類牌手犯的包提公升一下勝率的。
4樓：尋曦
你以為谷歌為什麼在開發阿法狗的時候選擇了圍棋而不是遊戲王、萬智牌，甚至是爐石呢？
因為這些遊戲和圍棋相比，超出計算的東西太多了。
5樓：終之太刀丶電
從遊戲王上講，不用主流的娛樂卡組大戰那alphaGO的勝率恐怕不會太高，沒人知道娛樂卡組裡面到底有什麼黑科技，估計勝率能和一般的牌手差不多就不錯了。如果是主流卡組，也就是正規比賽的話，相信ai算牌肯定會比人強，但就像另乙個答案說的一樣，不是你會不會胡，而是能不能胡的問題啊。
6樓：jekyll1314
就少說遊戲王卡牌有單牌7000多張，ago要計算到每一次人類隨機抽到其中五張或六張(或者一開始就要排除掉一些必然不會用到的卡片或組合)開局手牌的情況用自己手牌的的對策，之後每次回合都會這樣計算並且找到最好(不冒險的話就是保守)的對策，不斷地自我學習肯定會比人類強，但肯定要排除ago卡手的情況。ago組自己的卡組也不是個小過程，他也可以左右手博弈，像人類一樣不斷改善卡組，只不過時間比人類少，畢竟是機器。假如比賽前就知道人類用的卡組，這樣ago的計算會少了很多很多，如果ago用自己完善最好程度的卡組，人類只有一回殺才行吧。
7樓：青橙
撲克，卡牌等是非完全博弈.圍棋等是博弈，具有不確定性和不透明性，但是歸根結底還是個概率問題.本質上還是在比計算力.也是可以推測出人的心理行為的。
例： 不久前在美國賓夕法尼亞州匹茲堡的河流賭場，，斬獲20萬美元獎金和約177萬美元的籌碼。
結論：.可能偶爾靠運氣打敗電腦，但基本ai會贏.
8樓：湯哥愛學習
如今阿爾法狗已經改名，李世石也很有可能成為圍棋歷史上最後乙個擊敗它以及它之後衍生品的圍棋職業玩家，我們可以回想下小時候去科技館，是不是都說電腦不可能取代人類？或者，直白點，阿爾法狗出世前1年，半年，1個月會有人想象到它的可怕嘛？
回到遊戲王，任何遊戲都有運氣成分，阿爾法狗也因為李世石的神來之筆輸了一把，但隨著越來越完善，這樣神來之筆之後的解也會越來越好，不會立刻出現劣勢。同理，隨著電腦存入的職業選手資訊越來越完善，電腦下手坑的時間點也會越來越好，如果你對ai的印象還是你發效果馬上能騙到兔子，那也就不是阿爾法狗了。
9樓：曾經墨
首先說結論：
在以下兩個前提下：
1：只要對戰局數超過一定的數字，掩蓋掉隨機性。
2：只要AlphaGo針對此類卡牌遊戲進行設定調整。
人類VS目前這個AI程度的AlphaGo類智慧型計算，幾乎沒有任何勝利的可能性，人類必然完敗！！！
很多朋友侃侃而談什麼萬智牌如何如何淵博，遊戲王卡組如何如何豐富，爐石傳說中戰術如何如何多變，我都不反駁，各位應該是遊戲行家，你們說的都對。但是我認為，此類朋友在根本上沒有明白AlphaGo所代表的「深度學習計算」究竟是個什麼意思，也根本沒明白AlphaGo戰勝李世石究竟意味著什麼。
過去，在人工智慧嘗試解決「下棋」、「打牌」之類的「下一步決策」時，大部分解決方案說穿了就是「利用計算機的野蠻計算能力」去對抗「人腦的模糊計算、直覺和經驗感覺」。比如，你移動乙個象棋裡的「車」，可能有30種移動方案，人類憑「感覺」、「經驗」、「直覺」感覺到其中5種移動方案是最有效的，計算機無法這麼做，所以計算機是利用其強大的計算能力，去列舉所有的30種移動方案，以及之後可能帶來的300種應對方案，以及之後可能再產生的3000種反應對方案。。。以此類推。
早在90年代，人工智慧已經通過這種野蠻計算的方法，計算乙個殘局中5步之內的「全部變化」，這已經是非常恐怖的數字了。（很多人可能沒有意識到，一局頂尖象棋，雙方其實全部下的步數加一起，也不過30-50步，圍棋也只有60-120手。。。爐石傳說？
不好意思，大部分的比賽只有15-30手而已。）利用這種野蠻計算的解決方案，人工智慧早在90年代初就可以和世界頂尖級的西洋棋大師平起平坐了。2023年之後，深藍戰勝卡斯帕羅夫，是乙個劃時代的標誌，從此以後，人工智慧在計算上，已經遠遠將人類中的「天才」甩到身後了。
可能各位不下棋，我需要指出的是，卡牌遊戲的趣味性可能很高，觀賞性可能很強，但是在競技性和計算值上，是遠遠不如西洋棋的，和圍棋更不是在等量級之內。卡牌的計算量是非常小的，即使是《爐石傳說》也不過是數百張卡牌，去除掉「完全不可能使用的卡牌」，單一比賽中的「可能變化」數量，相對象棋來說，也是非常小的，跟圍棋。。。就更沒法比了。
一次《爐石比賽》，在乙個5步殘局中，大概有多少種「所有的變化」？我可以告訴大家，不超過10億種（我都很懷疑有沒有1億種）。而在西洋棋中，5步之內的變化一共是500億種。
光在「計算」這件事情上，AI可以達到的高度，其實早在數十年前，就已經遠遠超過卡牌類遊戲可以達到的高度。從AI測試的角度來講，卡牌類遊戲，根本沒有資格參加這個「頂級腦力大戰」的競爭。AI之所以從來沒有挑戰過萬智牌、遊戲王或者打百分，那是因為不值得。
但是，90年代的深藍，其主要展示的，還是「計算能力」而不是「人工智慧」，說白了，那就是乙個野蠻的窮舉計算，是IBM展示他們硬體能力的舞台。它在智慧型性上是很普通的。所以，當深藍之類的野蠻計算跨越了西洋棋這個天塹，面對其計算數量遠遠超過西洋棋的圍棋時，有人預言，計算機永遠無法戰勝人類。
為什麼呢？因為圍棋的計算量和西洋棋不能同日而語，前面說了，圍棋的手數是西洋棋的3-5倍，問題是，每提高一手，都要以乘積的方式去提高計算量。而西洋棋中，單個棋子的「可以移動的範圍」受到規則限制是有限的，比如，一場象棋比賽到中盤，紅方哪怕不顧輸贏利弊，尋找當前「所有可以移動的棋 X 所有可以移動到的點」可能只有70種（8個兵只能進1或者不動，馬只有8個位置，象、車、皇后多一些），但是圍棋有361個點可以著子。
幾步下來，圍棋就是乙個天文數字了。按照某種說法（未證實），要窮舉圍棋20步之內的變化，以今天計算機的能力，需要計算到太陽熄滅之日。
但是，這個差距，短短二十年之內，就被AlphaGo抹平了。AlphaGo戰勝了目前人類最頂尖的棋手之一李世石。而且這一次，不是計算機的「野蠻計算能力」提公升了多少，而是「深度學習」代表的人工智慧的勝利。
AlphaGo的運算能力號稱是深藍的8萬倍，僅僅依靠這8萬倍的提公升，還不足以讓AlphaGo在計算上多算半步。但是AlphaGo的計算方法——「深度學習」，卻幾乎完美演繹了此類「下一步決策」中AI能夠達到的碾壓人類的計算能力。
AlphaGo的「深度學習」運算模型簡單來說是這樣的（要說複雜完整了，以我的能力還不夠）：它並不窮舉「所有的可能」，而是窮舉「所有歷史上發生的可能」，比如，人類自從誕生以來，可能其實全部加在一起，也就是下了300億場圍棋，其中，有價值的高手對局，可能也就是300萬場，它將這些對局的步驟全部記憶下來，並且根據最終勝負，去理解某一步的「形態」更加類似「可能勝利的形態」，從而學習如何去下棋。比如，人類在應對乙個角落的區域性纏鬥中，有「尖」、「大尖」、「飛」、「託」等應對模型，AlphaGo用模糊的演算法，去理解可能使用「託」或者類似「託」的手法，勝率達到了64.
7%，是最高「可能勝利的形態」，所以，它選擇了「託」。當然，實際中，它還另外使用了類似深藍這樣的「野蠻計算」，用兩套方案去相輔相成的配合著演算，得出「我下一手怎麼應對」「更容易獲得勝利」。
就是這個解決方案，攻克了人類「腦力競爭」中幾乎可以說是「CROWN上的明珠」圍棋，使得李世石最終鎩羽而歸。下過圍棋的朋友才明白這意味著什麼，這意味著人類在AI面前最引以為傲的一樣東西「感覺」、「直覺」、「味道」被AI以深度學習的方案，碾壓了！事實上，我們再回溯AlphaGo的計算方法，他其實和乙個人類學習圍棋，理解圍棋，練習圍棋是幾乎一模一樣的。
李世石也好，李昌鎬也好，柯潔也好，他們對「下一手怎麼下比較好」，說白了，不就是因為他們研究過幾十萬盤棋，可以在短時間內得出的某種「經驗感」麼？我為什麼要下「託」，是因為我覺得「託」的「味道」比較好。。。這是下棋的棋手常說的話，這個「味道」，計算機以「更可能的勝利方案」去理解了。
而不同的是，人力有極致，即使是窮盡一生去學習圍棋，練習圍棋，你又能看多少個譜，十萬個？三十萬個？三百萬盤是極限了吧？
但是計算機可以毫不費力的學習一億盤棋。。。計算機唯一遺憾的是：該死的人類歷史太短，下的圍棋太少了。
你又能下多少盤棋？三千盤？三萬盤？
只要計算機願意，它甚至可以自己和自己在乙個月內「練習」一百萬盤棋。。。
李世石的落敗，其實意味著在類似的「有勝負的模糊決策」問題上，人類最後的堡壘圍棋被攻克了，計算機已經可以取代人腦了。之後，AlphaGo的經驗會越來越豐富，它的棋力會越來越逼近圍棋的極限，不是說它每一盤都能贏，而是下的盤數只要超過乙個基本數字，人類已經不可能下贏計算機。
最後，回到卡牌遊戲上。。。看了我上面的說明，有幾個同學還想不明白麼？集換式卡牌類遊戲，其實無論是在「計算量」、「感覺」、「直覺」、「應對可能性」、「歷史經驗」上來說，根本和西洋棋都不在乙個水平線上，更不要談圍棋了。。。
和AlphaGo玩《爐石傳說》？AlphaGo可以輕易的了解「人類歷史上所有發生過的爐石傳說的所有出牌牌序。。。」，並且教導你「其實1費使用A卡牌的勝率是53.
45%，1費跳過的勝率是44.41%」，不僅如此，它還可以輕易的演算「接下來1-4費，一場牧師對戰薩滿，雙方最多的變化一共是10億種，全部列舉如下。。。我應該如何選擇，才能最靠近勝利」。
當然了，卡牌類遊戲本質並不是公平競技，本質還是遊戲，是娛樂，是消遣，所以，隨機性在其中起到了重要的作用。甚至可以這麼說，如果乙個圍棋高手（目前西洋棋世界大師已經是肯定下不過AI了，不用再比了）和AlphaGo下100盤，也許人類圍棋高手只能贏3盤；那麼乙個爐石傳說的高手和AlphaGo打爐石，反而是爐石高手可以贏的多一些，甚至說不定可以到贏30盤。。。但是，只要這個「對局數字」高到一定的程度，掩蓋掉隨機性，卡牌類遊戲的這點很有限的「變化」是根本不夠人工智慧看的。
AlphaGo離人工智慧還有多遠？
陳一佳 AlphaGo的進步給人工智慧的將來，開闢了乙個非常明顯的道路。讓做人工智慧的人員和學生，感覺到人工智慧的前景非常的廣大。AlphaGo到實際的應用，還是有一定差距的。AlphaGo之所以能夠那麼快成功，就是因為所有的圍棋規則都是預先定義好的，這樣就可以進行對弈。最後還會有乙個reward ...
對於alphago這樣的人工智慧來說，是dota，lol這類電子競技遊戲難還是棋類難？
提問的分類不對 對人類來說棋類是乙個大類，電腦遊戲是乙個大類對AI來說不是這樣分的，舉例來說，全部資訊可知和部分資訊不可知是兩個大類，圍棋是全部資訊可知的，對AI來說這樣的遊戲難度較小 其他還有很多方面，不過反正難易程度不是像人類那樣按照棋類 電子競技類 這樣分的 JackShaw 操作角度講，棋類...
如何看待最新的圍棋人工智慧AlphaGo Zero？
Simon 早在6,7年前，我和同事們就期待這樣的場景 早上對著電腦喊一聲 2號機，給我出乙個方案本冊，分析圖，效果圖，可實施性分析，都要有哦，還要有藝術範兒。第二天，方案本冊已經列印好了。那是多麼幸福。估計有生之年可以看見啊。 謝一口 目前AI只能對特定遊戲規則通過試錯總結策略的能力，充其量就是下...