所解决的问题？
Heads-up no-limit Texas hold’em (HUNL)：8卡64核跑无限注德州扑克达到人类水平。有点类似DouZero单机上达到人类水平。
背景
HUNL初始时，两名玩家会发两张盖牌。之后还有、翻牌、转牌、河牌、比牌。翻牌是三张，转牌一张，河牌一张。需要评估能够组成的5张牌中最大的。
动作空间有：过牌(check)，跟注(call)，加注(raise)，弃牌(fold)。
五张牌的大小比较有：
DeepStack、Libratus都是做完abstract之后再接CFR类算法，但是CFR这类偏遍历的方式算起来计算资源的开销太大了。但是AlphaHoldem只在8卡的GPU上64个CPU核上训练了三天。
所采用的方法？
作者设计了一个伪孪生网络的结构(pseudo-Siamese)，直接从输入学习输出的动作分布。除此之外，作者在状态表征、训练的loss、模型策略方面也都做了改进。
整体的网络结构如上图所示：输入是动作信息和卡牌信息的状态表征。送入到顶部和底部的孪生网络结构中。作者期望两个卷积网络能够学习不同的信息表征。由此还提出了一种新的loss函数Trinal-Clip Loss。self-play的时候也是选取的历史最佳的k个。整体设计就是这样，具体细节可以归功于三个方面：状态表征、Loss设计、Self-Play的模型选择。
高效的状态表征
card的信息就是六个通道，2张底牌、3张公共牌、1张转牌、1张河牌。每个通道是4x13的矩阵，1表示有这张牌（这里是考虑了花色的）。
对于动作信息，每个通道是4 × n b 的矩阵，4分别表示玩家1的动作、玩家2的动作、两家动作之和、合法动作。总共最多会有4次下注，每次下注最多会有6个下注动作。所以总共是24 × 4 × n b种情况。
Trinal-Clip损失函数
这三种loss的效果对比如下：
有效的模型选择和生成
简单的自博弈算法容易陷入循环克制的问题中，不容易收敛。AlphaStar的群体博弈(PBT)，神经虚拟自博弈(NFSP)需要的资源开销比CFR的开销还要大。
AlphaHoldem采用了一种新型的Best-K自博弈方法。该方法通过在训练过程中测试历史模型的性能，挑选出K个最好的模型与现在最新的模型对打，不断通过强化学习提升自身性能。
总共8.6milion的参数，1.8milion的卷积参数，6.8milion的全连接参数。
取得的效果？
所出版信息？作者信息？
一作是中科院博士生赵恩民，导师兴军亮。论文是AAAI的卓越论文。
