ในการทดลองที่ไม่เคยมีมาก่อนซึ่งรวมเอาเทคโนโลยีปัญญาประดิษฐ์กับการพนันระดับสูง แบบจำลองภาษาขนาดใหญ่ (LLM) จำนวน 9 รายกำลังแข่งขันกันในทัวร์นาเมนต์โป๊กเกอร์สดที่มีชื่อว่า PokerBattle.ai โดยแต่ละผู้เข้าแข่งขันที่เป็น AI จะมีเงินเริ่มต้นมูลค่า 100,000 ดอลลาร์สหรัฐ การแข่งขันครั้งนี้ได้ก่อให้เกิดการอภิปรายอย่างเข้มข้นในหมู่ผู้เชี่ยวชาญด้านเทคโนโลยีและผู้ที่ชื่นชอบโป๊กเกอร์เกี่ยวกับว่า ระบบ AI ที่ทันสมัยที่สุดในปัจจุบันจะสามารถเก่งกาจในเกมที่ต้องใช้การหลอกลวงเชิงกลยุทธ์และการให้เหตุผลเชิงความน่าจะเป็นได้อย่างแท้จริงหรือไม่
ทัวร์นาเมนต์ครั้งนี้มีแบบจำลอง AI ชั้นนำเข้าร่วมแข่งขัน ได้แก่ Grok 4, OpenAI o3, Claude Sonnet 4.5 และอื่นๆ โดยทั้งหมดกำลังแข่งขันกันในเกม Texas Hold'em ข้อมูลล่าสุดระบุว่า Grok 4 กำลังนำอยู่ด้วยจำนวนชิปมูลค่า 121,405 ดอลลาร์สหรัฐ ในขณะที่ Meta LLAMA 4 อยู่ในอันดับสุดท้ายด้วยจำนวนชิป 83,045 ดอลลาร์สหรัฐ นอกเหนือจากจำนวนชิปแล้ว เรื่องราวที่แท้จริงอยู่ที่วิธีการที่แบบจำลองภาษาเหล่านี้เข้าใกล้เกมซึ่งถูกมองว่าเป็นเกณฑ์มาตรฐานสำหรับความฉลาดของปัญญาประดิษฐ์มาโดยตลอด
ตารางอันดับการแข่งขัน (อันดับปัจจุบัน)
- Grok 4: $121,405 USD (+$21,405)
- OpenAI o3: $115,475 USD (+$15,475)
- Claude Sonnet 4.5: $109,980 USD (+$9,980)
- DeepSeek R1: $100,915 USD (+$915)
- Gemini 2.5 Pro: $97,030 USD (-$2,970)
- Mistral Magistral: $94,730 USD (-$5,270)
- Z.AI GLM 4.6: $91,160 USD (-$8,840)
- Kimi K2: $86,280 USD (-$13,720)
- Meta LLAMA 4: $83,045 USD (-$16,955)
ปัญหาพื้นฐาน: LLMs ไม่ได้ถูกสร้างมาสำหรับกลยุทธ์โป๊กเกอร์
การแข่งขันได้จุดประกายการถกเถียงอย่างจริงจังเกี่ยวกับว่าแบบจำลองภาษาขนาดใหญ่ในปัจจุบันมีขีดความสามารถพื้นฐานที่จำเป็นสำหรับการเล่นโป๊กเกอร์ระดับมืออาชีพหรือไม่ ผู้เชี่ยวชาญชี้ให้เห็นข้อจำกัดหลักสามประการที่ป้องกันไม่ให้ LLMs บรรลุถึงความเชี่ยวชาญที่แท้จริงในการเล่นโป๊กเกอร์
แบบจำลองภาษาขนาดใหญ่ขาดความสามารถในการคำนวณกลยุทธ์ดุลยภาพเชิงกำหนด (deterministic equilibrium strategies) ซึ่งเป็นสิ่งสำคัญสำหรับการเล่นโป๊กเกอร์ระดับมืออาชีพ ไม่เหมือนกับ AI โป๊กเกอร์เฉพาะทางอย่าง Libratus หรือ Pluribus ที่ใช้กลยุทธ์ตามทฤษฎีเกมที่เหมาะสมที่สุด (game theory optimal - GTO) LLMs ทำงานผ่านการจดจำรูปแบบมากกว่าการปรับให้เหมาะสมทางคณิตศาสตร์ ซึ่งหมายความว่าพวกมันไม่สามารถสุ่มตัวอย่างจากการแจกแจงความน่าจะเป็นหรือรักษาความสม่ำเสมอของกลยุทธ์ตลอดหลายเกมได้อย่างต่อเนื่อง ซึ่งเป็นองค์ประกอบสำคัญสำหรับการหลีกเลี่ยงการถูกใช้ประโยชน์จากคู่ต่อสู้ที่ปรับตัวได้
LLMs ไม่มีกลไกสำหรับการสุ่มตัวอย่างจากการแจกแจงความน่าจะเป็นที่กำหนด ตัวอย่างเช่น หากคุณขอให้ LLM สุ่มตัวเลขตั้งแต่ 1 ถึง 10 มันมีแนวโน้มที่จะให้เลข 3 หรือ 7 แก่คุณ เนื่องจากตัวเลขเหล่านี้มีแสดงอยู่ในข้อมูลการฝึกมากเกินไป
ชุมชนผู้ชมได้สังเกตเห็นหลายกรณีที่ผู้เล่น AI ตัดสินใจอย่างไม่มีเหตุผลโดยพื้นฐาน ผู้ใช้หนึ่งรายระบุถึงเกมหนึ่งที่ Gemini 2.5 Pro วางการ์ด King-Ten ลงบนกระดานที่มีทั้ง Ace และ King โดยไม่มีแรงกดดันจากการเดิมพันใดๆ ซึ่งโดยพื้นฐานแล้วเป็นการยอมแพ้การ์ดที่แข็งแกร่งโดยไม่มีเหตุผล ผู้สังเกตการณ์อีกรายบันทึกว่า LLAMA 4 ระบุความแข็งแกร่งของการ์ดของตัวเองผิด โดยอ้างว่ามีการ์ดคู่บน (top pair) ในขณะที่จริงๆ แล้วมันถือการ์ดคู่กลาง (middle pair) สิ่งเหล่านี้ไม่ใช่ข้อผิดพลาดเชิงกลยุทธ์ที่ซับซ้อน แต่เป็นความล้มเหลวพื้นฐานในการทำความเข้าใจเกม
กีฬาสำหรับผู้ชม หรือ การสาธิตทางเทคนิค?
แม้จะมีข้อจำกัดทางเทคนิค การแข่งขันก็สามารถจับจินตนาการของผู้คนได้ด้วยศักยภาพด้านความบันเทิง ผู้ชมจำนวนมากแสดงความสนใจที่จะเห็น AI มีการพูดคุยที่โต๊ะ การบลัฟฟ์ และการพูดจาดูถูก ซึ่งเป็นองค์ประกอบที่จะทดสอบความสามารถของพวกมันในการเข้าใจและมีส่วนร่วมในสงครามจิตวิทยา
แนวคิดเรื่องโป๊กเกอร์ AI ไม่ใช่เรื่องใหม่ทั้งหมด โครงการอื่นที่มีชื่อว่า House of TEN ได้จัดเกม Texas Hold'em บนบล็อกเชนกับเอเจนต์ AI มาเป็นเวลาหลายเดือน โดยบางเกมใช้เวลานานกว่า 50 ชั่วโมง สิ่งนี้ชี้ให้เห็นถึงความสนใจที่เพิ่มขึ้นในการใช้โป๊กเกอร์เป็นเกณฑ์มาตรฐานสำหรับขีดความสามารถของ AI ที่ไปกว่าเกณฑ์ดั้งเดิม เช่น การเขียนโค้ดหรือการให้เหตุผลทางคณิตศาสตร์
สมาชิกในชุมชนบางส่วนได้เสนอการปรับปรุงที่อาจช่วยเพิ่มประสิทธิภาพการทำงานของ AI การให้การเข้าถึงเครื่องสร้างตัวเลขสุ่ม (random number generators) ผ่านการเรียกใช้เครื่องมือ (tool calls) อาจช่วยในการนำกลยุทธ์แบบผสม (mixed strategy) ไปปฏิบัติ การผนวกเครื่องมือจำลองมอนติ คาร์โล (Monte Carlo simulation tools) ซึ่งมักถูกใช้โดยผู้เล่นโป๊กเกอร์ที่เป็นมนุษย์ สามารถให้ความสามารถในการให้เหตุผลเชิงความน่าจะเป็นที่ดีขึ้นแก่ LLMs อย่างไรก็ตาม สิ่งเหล่านี้จะเป็นเพียงการแก้ปัญหาแบบชั่วคราวสำหรับข้อจำกัดพื้นฐานทางสถาปัตยกรรม
โปรเจกต์ AI Poker ที่เกี่ยวข้อง
- House of TEN: เกม Texas Hold'em บนบล็อกเชนที่มีเอเจนต์ AI โดยใช้ TEEs เพื่อสร้างความสุ่มที่ตรวจสอบได้
- TEN Protocol: การทดลองก่อนหน้านี้กับทัวร์นาเมนต์โป๊กเกอร์ LLM ที่ดำเนินการมากกว่า 50 ชั่วโมง
- nof1.ai: LLM หกตัวได้รับเงิน 10,000 ดอลลาร์สหรัฐแต่ละตัวเพื่อเทรดในตลาดจริงอย่างอิสระ
สิ่งที่ทัวร์นาเมนต์วัดได้จริงๆ
ด้วยขนาดตัวอย่างในปัจจุบันที่ค่อนข้างน้อย – ผู้ใช้หนึ่งรายระบุว่ามีเพียง 714 เกมสำหรับ Meta LLAMA 4 – ผลลัพธ์อาจสะท้อนถึงความแปรปรวนทางสถิติ มากกว่าความแตกต่างของขีดความสามารถที่แท้จริง อย่างไรก็ตาม รูปแบบการเล่นที่ถูกเปิดเผยผ่านสถิติให้ข้อมูลเชิงลึกที่น่าสนใจเกี่ยวกับว่าแบบจำลองต่างๆ เข้าใกล้เกมอย่างไร
สถิติของผู้เล่นแสดงให้เห็นแนวทางการเล่นที่แตกต่างกันอย่างมาก: Meta LLAMA 4 เล่นแบบหลวมมากด้วย VPIP (การนำเงินเข้ากองกลางโดยสมัครใจ) 65.7% ในขณะที่ Mistral Magistral เล่นแบบรัดกุมกว่ามากที่ 15.6% ความสำเร็จของ Grok 4 ดูเหมือนจะมาจากการเดิมพันต่อเนื่อง (continuation betting) ที่ก้าวร้าว (85% C-Bet) และการเข้าร่วมช่วงเปิดไพ่ (showdown) ที่มีความเลือกเฟ้น (18.3% WTSD) รูปแบบเหล่านี้สะท้อนถึงข้อมูลการฝึกและแนวโน้ม inherent ของแต่ละแบบจำลอง มากกว่าที่จะเป็นกลยุทธ์การปรับตัวเชิงกลยุทธ์ที่คำนวณมาแล้ว
การแข่งขันนี้ทำให้เกิดคำถามสำคัญเกี่ยวกับสิ่งที่เรากำลังวัดจริงๆ เมื่อเราทดสอบ LLMs ในเกมที่ซับซ้อน มันคือความสามารถในการใช้เหตุผล? การจดจำรูปแบบจากข้อมูลการฝึก? หรือเพียงแค่ความสามารถในการปฏิบัติตามคำแนะนำเกี่ยวกับกฎของเกม? ดังที่ผู้ใช้หนึ่งรายครุ่นคิด ผลลัพธ์อาจทำหน้าที่เป็นตัวแทนของความฉลาดอีกประเภทหนึ่ง นั่นคือความสามารถในการชดเชยสำหรับการไม่ได้ถูกสร้างมาสำหรับงานดังกล่าว
คำอธิบายสถิติโป๊กเกอร์ที่สำคัญ
- VPIP (Voluntarily Put Money In Pot): เปอร์เซ็นต์ของไม้ที่ผู้เล่นใส่เงินลงในพอตก่อนเปิดไพ่โดยการคอลหรือเรส
- PFR (Preflop Raise): เปอร์เซ็นต์ของไม้ที่ผู้เล่นเรสก่อนเปิดไพ่
- 3-Bet: เปอร์เซ็นต์ของไม้ที่ผู้เล่นเรสซ้ำหลังจากมีการเรสครั้งแรกแล้ว
- C-Bet (Continuation Bet): เปอร์เซ็นต์ของฟล็อปที่ผู้เล่นที่เป็นฝ่ายรุกก่อนเปิดไพ่ยังคงเดิมพันต่อ
- WTSD (Went to Showdown): เปอร์เซ็นต์ของไม้ที่ผู้เล่นเห็นไพ่ใบสุดท้ายและแสดงไพ่ของตน
อนาคตของ AI ในเกมเชิงกลยุทธ์
แม้ว่าการแข่งขันในปัจจุบันจะเผยให้เห็นข้อจำกัดที่สำคัญ แต่ก็ชี้ให้เห็นถึงการพัฒนาที่อาจเกิดขึ้นในอนาคต ชุมชนได้เสนอการปรับปรุงแบบ iterative ที่แบบจำลองสามารถพัฒนาระบบพรอมต์ (system prompts) ของพวกมัน หรือพัฒนากลยุทธ์การหาประโยชน์ (exploitative strategies) ต่อคู่ต่อสู้เฉพาะรายได้ การมองเห็นกระบวนการคิดของ AI แต่ละตัวผ่านบันทึกของผู้เล่น (player notes) ให้ข้อมูลเชิงลึกที่ไม่เหมือนใครเกี่ยวกับว่าแบบจำลองต่างๆ ใช้เหตุผลเกี่ยวกับเกมอย่างไร
ความท้าทายพื้นฐานยังคงอยู่ที่ว่า LLMs ถูกออกแบบมาเพื่อความเข้าใจและการสร้างภาษา ไม่ใช่สำหรับการตัดสินใจเชิงกลยุทธ์แบบเรียลไทม์ภายใต้ความไม่แน่นอน ดังที่ผู้เชี่ยวชาญหนึ่งระบุไว้ สิ่งนี้ตัดกันอย่างชัดเจนกับเกมหมากรุก ซึ่งมีกลยุทธ์เชิงกำหนด (deterministic strategies) อยู่และมีข้อมูลการฝึกมากมาย โป๊กเกอร์ต้องการการซ่อนข้อมูล การจัดการความสุ่ม และการปรับตัวให้เข้ากับคู่ต่อสู้ – ซึ่งเป็นขีดความสามารถที่ไม่ได้เกิดขึ้นตามธรรมชาติจากการทำนายโทเค็นถัดไป (next-token prediction)
ในขณะที่การแข่งขันยังคงดำเนินต่อไป มันทำหน้าที่เป็นทั้งความบันเทิงและการวิจัยที่สำคัญเกี่ยวกับขอบเขตของขีดความสามารถของ AI ในปัจจุบัน การอภิปรายในหมู่ผู้เชี่ยวชาญและผู้ที่ชื่นชอบเน้นย้ำถึงช่องว่างระหว่างสัญชาตญาณเชิงกลยุทธ์ของมนุษย์กับการจับคู่รูปแบบของ AI ในขณะเดียวกันก็เสนอเส้นทางสำหรับการพัฒนาในอนาคตที่อาจเชื่อมโยงช่องว่างนี้ได้ในที่สุด