AI的强大，对游戏的影响巨大

AI 攻陷各种棋牌游戏已经不是什么新闻，但迅速开发和测试 AI 的环境一直是困扰业界和学界的问题。

最近德州农工大学数据科学实验室给出了他们的解决方案，开源了基于牌类游戏设计的强化学习 Python 平台 RLCard，其中融合了中西方最流行的几种牌类游戏，同时实现了多种强化学习算法。

RLCard 致力于为强化学习提供一个易用、统一的开发和测试环境，让人们能轻松、便捷地训练测试自己的 AI。RLCard 是一个用于牌类游戏强化学习研究的开源工具包，其接口简单易用，支持多种牌类环境。

RLCard 的目标是在强化学习与非完美信息博弈之间搭建桥梁，推动强化学习研究在多智能体、高维状态和动作空间以及稀疏奖励领域的进步。

该工具包的开发遵循以下设计原则：可复现。在这些环境上的结果是可以重复得到的。如果在不同的运行中使用了同样的随机种子，那么所得结果应当是一致的。易使用。

在每轮游戏之后，产生的数据可被直接用于强化学习训练。开发者也可以方便地配置状态表征、动作编码、奖励设计、甚至游戏规则。可扩展。通过上述设计原则，开发者可以方便地向该工具包添加新的牌类游戏环境。该工具包中的依赖尽力做到了最少，以便能轻松地维护代码。该工具包提供了多种风格的受大众欢迎的牌类游戏，包括博彩游戏、中式扑克以及一些棋盘游戏。

开发者还提供了用来更灵活访问游戏树的高级接口。与 OpenAI Gym 类似，工具包定义了一个 step 函数，其可在给定的当前动作下将环境移动到下一个状态。此外该工具包还包含一个 step_back 函数，这能回溯到前一个状态。状态表征状态的定义是：在游戏的一个特定时间步骤中一个玩家所能观察到的所有信息。在该工具包中，每个状态都是一个字典，包含两个值。第一个值是合法动作。第二个值是观察到的状态。编码观察的方式有很多种。对于 Blackjack，RLCard 直接将玩家的分数和庄家的分数用