تصور کنید در حساس‌ترین لحظه یک شرط‌بندی میلیون‌دلاری، چشم‌های یک ماشین به جای انسان، لرزش خفیف پلک یا تغییر زاویه شانه شما را می‌خواند تا بفهمد در حال بلوف زدن هستید یا خیر. این کابوس یا رویای دیجیتال، محوریت رویکرد جدید ESPN در پوشش مسابقات جهانی پوکر ۲۰۲۶ (WSOP) است. در این رویداد، شبکه ESPN تلاش کرد تا پدیده‌ای به نام «تل» را دیجیتالی کند و برای این منظور، یک سیستم تشخیص هوش مصنوعی بلادرنگ را به کار گرفت که با تحلیل حرکات بازیکنان، پیش‌بینی می‌کند آیا یک قمارباز در حال بلوف زدن است یا دستی برنده در اختیار دارد.
در دنیای پوکر، «تل» (Tell) یا همان نشانه‌های ناخودآگاه، ارزشمندترین رازهای یک بازیکن است. برای دهه‌ها، توانایی خواندن تیک‌های عصبی حریف، ستون فقرات پوکر‌های با stakes بالا بوده است. پوکر در ذات خود بازی‌ای با اطلاعات ناقص است؛ جایی که یک پلک‌زدن ساده یا یک تغییر جزئی در وضعیت نشستن می‌تواند میلیون‌ها دلار ارزش داشته باشد. بسیاری از قماربازان تمام دوران حرفه‌ای خود را بر پایه رمزگشایی از حرکات آگاهانه، زبان بدن و تیک‌های ناخودآگاه بنا کرده‌اند تا برتری نسبت به رقیب کسب کنند. اکنون ESPN با اتوماسیون این فرآیند، لایه‌ای از نظارت ماشینی را به این نبرد روانی انسانی اضافه کرده است.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی تأثیر هوش مصنوعی بر مهارت‌های شهودی بشر اشاره کردیم، جایگزینی چشم انسان با الگوریتم همیشه با مقاومت رو می‌رود. این ابزار که در نخستین روزهای پخش زنده در اوایل جولای ۲۰۲۶ ظاهر شد، توسط لوک گیل (Luke Geel)، مهندس هوش مصنوعی نیروی هوایی آمریکا توسعه یافته است. به گزارش مجله Wired در تاریخ ۴ اوت ۲۰۲۶، این سیستم الگوهای رفتاری بازیکنان را از طریق جریان‌های زنده دوربین‌ها تحلیل می‌کند تا یک پایگاه داده از عادت‌های فردی هر بازیکن بسازد. این سیستم داده‌های بصری را به یک نمودار «مدل قدرت دست» تبدیل می‌کند که به صورت یک لایه متنی روی صفحه نمایش داده می‌شود و احتمالات مختلفی را که یک بازیکن ممکن است در دست داشته باشد، برای بینندگان تجزیه و تحلیل می‌کند.
جزئیات عملکرد سیستم تشخیص
این سامانه برای تعیین احتمال نوع دست بازیکن، مجموعه‌ای از ورودی‌های خاص را تحلیل می‌کند. این ورودی‌ها عبارتند از:
- حرکات چشم و نرخ دقیق پلک‌زدن بازیکن.
- وضعیت کلی بدن و میزان تنش موجود در ناحیه شانه‌ها.
- معیارهای دقیق «پرش‌های انگشتان» یا همان Hand fidget.
- نحوه تعامل بازیکن با ژتون‌های خود و شیوه جابجایی آن‌ها.
مدل با همبسته‌سازی (correlating) این ورودی‌ها با نتیجه واقعی هر دست، سعی می‌کند وضعیت دست بازیکن را در یکی از چندین دسته قرار دهد: یک دستِ ساخته‌شده‌ی قوی (Strong made hand)، یک دست در حال تکمیل (Drawing hand) یا یک بلوف.
محدودیت‌های داده‌ای و دقت سیستم
با وجود ارائه شیک و مدرن، اثربخشی این ابزار توسط مجموعه داده‌های آموزشی آن محدود شده است. در حالی که رویداد اصلی ۲۰۲۶ بیش از ۹۰۰۰ شرکت‌کننده داشت، هوش مصنوعی تنها به بازیکنانی دسترسی داشت که در سه میز اصلی ضبط‌شده ظاهر می‌شدند. در واقع، همان جریان‌های دوربینی که برای پخش تلویزیونی استفاده می‌شدند، برای آموزش این ابزار نیز به کار رفتند.
حتی برای بازیکنانی که در آن سه میز حضور داشتند، زمان حضور آن‌ها اغلب کافی نبود تا سیستم بتواند یک مجموعه داده جامع و مستحکم بسازد. پوکر شامل طیف وسیعی از موقعیت‌های احتمالی است و هوش مصنوعی به دلیل کمبود حجم نمونه (Sample size)، قادر به پوشش همه این حالت‌ها نیست. لوک گیل در ایمیلی به مجله Wired اعتراف کرد که آزمون‌های کور (Blind tests) را روی سایر مسابقات پوکر اجرا کرده اما نتایج متغیری گرفته است. او اذعان داشت که برای بهبود عملکرد ابزار، دسترسی به نمونه‌های بسیار بیشتری از دست‌های بازی ضروری است.
دیدگاه منتقدان حرفه‌ای
بازیکنان تراز اول، از جمله شان دیب (Shaun Deeb)، که دو بار لقب بازیکن سال WSOP را کسب کرده است، استدلال می‌کنند که یک دوربین راه‌حل جامع نیست و نمی‌تواند همه چیز را ببیند. دیب که در رویداد اصلی ۲۰۲۶ رتبه ۱۵ را کسب کرد، خاطرنشان می‌کند که تل‌های فیزیکی بسیار گسترده‌تر از آن چیزی هستند که عموم مردم تصور می‌کنند. او اشاره می‌کند که تل‌های حیاتی — مانند الگوهای تنفسی، نقاط ضربان در گردن و حرکات خاص پا — اغلب خارج از کادر دوربین‌های پخش زنده قرار دارند.
دیب معتقد است این ابزار یک تلاش «ناموفق» (Swing-and-miss) است تا پوکر را بیشتر شبیه به یک ورزش سنتی با معیارهای زنده جلوه دهد، نه یک نبرد روان‌شناختی ظریف. او بر این باور است که این ویژگی احتمالاً چیزی بوده که شبکه ESPN «به طور اتفاقی» پیدا کرده تا حس ورزش‌های سازمان‌یافته را به پخش زنده اضافه کند.
مایکل گالیانو (Michael Gagliano)، حرفه‌ایِ ۱۷ ساله که به میز نهایی ۲۰۲۶ راه یافت و برای جایزه ۱۰ میلیون دلاری رقابت کرد، دیدگاه مشابهی دارد. گالیانو در حالی وارد فینال شد که در هشتمین جایگاه از نظر تعداد ژتون‌ها بود. او در طول وقفه دو و نیم هفته‌ای پس از رسیدن به میز نهایی در اواسط جولای، تمام ثانیه‌های استریم‌های زنده را مرور کرد تا تل‌های حریفانش را پیدا کند. او می‌گوید حتی با یک چشم آموزش‌دیده انسانی، نبودِ زمان نمایش کافی برای هر بازیکن در صفحه نمایش، نتیجه‌گیری‌های عملی را تقریباً غیرممکن کرد. او اشاره کرد که استریم‌ها بیش از حد متنوع هستند و نمی‌شود بازیکنان را به اندازه کافی و با تکرار دید تا یک پروفایل قابل اعتماد از آن‌ها ساخت.
تضاد میان «قصد» و «الگو»
گالیانو به یک نقص بنیادی در منطق هوش مصنوعی اشاره می‌کند: تفاوت بین «نمایش اعتمادبه‌نفس» و «داشتن واقعیِ یک دست قوی». یک هوش مصنوعی می‌تواند الگوهای بصری و صوتی را رصد کند، اما نمی‌تواند «قصد» (Intention) را استنتاج کند.
به عنوان مثال، بازیکنی ممکن است به دلیل درک نادرست از موقعیت، با یک دست ضعیف احساس اعتمادبه‌نفس شدیدی کند و این امر باعث شود هوش مصنوعی زبان بدن او را به اشتباه به عنوان نشانه قدرت تفسیر کند. گالیانو این سوال را مطرح می‌کند که «دو جفت (Two pair) برای یک بازیکن در مقایسه با بازیکنی دیگر چقدر قوی است؟». او مشاهده می‌کند که در محیط‌های پر فشار مانند Main Event، لرزش‌های یک بازیکن ممکن است بازتابی از شدت استرس موقعیت باشد، نه لزوماً نشانه‌ای از قدرت یا ضعف کارت‌هایش.
به همین دلیل، با وجود اینکه این ابزار در مراحل اولیه تورنمنت به عنوان یک ویژگی سرگرم‌کننده برای بینندگان عمل کرد، در نهایت نماینده شرکت Omaha Productions (شرکتی که توسط ESPN مجوز گرفته است) طی یک پیام متنی تأیید کرد که این ابزار در میز نهایی استفاده نخواهد شد، هرچند آن‌ها از ارائه دلیل دقیق برای حذف این سیستم خودداری کردند.
زمینه فرهنگی: از فیلم Rounders تا واقعیت
بسیاری از درک عموم مردم از تل‌ها از فرهنگ پاپ و به ویژه فیلم Rounders محصول سال ۱۹۹۸ می‌آید. در صحنه penultimate (پیش از آخر) فیلم، مایک مک‌درموت (با بازی مت دیمون) دستی فوق‌العاده قوی را پاس می‌دهد چون متوجه می‌شود تدی کی‌جی‌بی (با بازی جان مالکوویچ) تلی دارد که مربوط به نحوه خوردن کلوچه‌های اورئو است.
در حالی که این یکی از ماندگارترین صحنه‌های تاریخ سینماست، شان دیب آن را «ساده‌انگارانه» (Reductive) توصیف می‌کند. او توضیح می‌دهد که تشخیص تل در دنیای واقعی «کمی انتزاعی‌تر از این حرف‌هاست» و شامل شبکه پیچیده‌ای از نشانه‌های کلامی، فیزیکی و فیزیولوژیک است که یک سیستم مبتنی بر دوربین برای ترکیب و تحلیل آن‌ها تجهیز نشده است.
آینده هوش مصنوعی در میز پوکر
اگرچه این ابزار خاص پخش تلویزیونی ممکن است تنها یک «ترفند نمایشی» (Party trick) باشد، اما پیامدهای گسترده‌تر آن برای صنعت پوکر قابل توجه است. تورنمنت‌های High-roller که شامل گروه کوچکی از بازیکنان حرفه‌ای تکرارشونده هستند، ایده‌آل‌ترین مجموعه داده را برای هوش مصنوعی پیشرفته‌تر فراهم می‌کنند. از آنجایی که این بازیکنان برتر هر سال در ده‌ها رویداد پخش زنده ظاهر می‌شوند، هزاران ساعت فیلم از آن‌ها موجود است. AI در آینده می‌تواند با استفاده از این داده‌های آرشیوی، فرآیند انسانی مطالعه حریفان را بهینه کند.
در حال حاضر، سخت‌افزار مانع بزرگی است. اکثر میزهای پوکر زنده، استفاده از دستگاه‌های الکترونیکی را برای جلوگیری از تقلب ممنوع کرده‌اند. شان دیب پیش‌بینی می‌کند که تکنولوژی‌های پوشیدنی، مانند عینک‌های هوشمند Meta، به زودی در کازینوها غیرقانونی شوند تا بازیکنان نتوانند تحلیل‌های بلادرنگ تل‌های حریف را که توسط AI تولید شده، دریافت کنند.
شهود انسانی در برابر یادگیری ماشین
در نهایت، این نبرد همچنان انسانی باقی مانده است. دیب معتقد است تیمی از متخصصان زنده — افرادی که می‌توانند هر حرکت بازیکن را از نزدیک و در محیط واقعی ببینند — همیشه از یک AI دوربین-محور بهتر عمل خواهند کرد. او به عنوان یک حرفه‌ای، اغلب برای مربیگری بازیکنان در مراحل پیشرفته Main Event استخدام می‌شود و معمولاً یک متخصص شناسایی تل‌های زنده را به همراه می‌برد تا هم رقبای حریف و هم تمایلات خودِ موکلش را رصد کند.
او می‌گوید اگرچه اگر تنها گزینه موجود باشد از فیلم‌های ضبط‌شده استفاده می‌کند، اما مسیر فیلم‌برداری بهینه نیست. دیب می‌گوید: «در تیم‌هایی که استخدام کردم، ما همیشه جایگاهی داشتیم که شخص شناسایی تل‌ها، بازیکن را به صورت حضوری تماشا کند. ما فکر می‌کردیم این روش بسیار بهتر از آن چیزی است که در تلویزیون می‌بینید.»
دیب به قدری به شهود انسانی و برتری مشاهده حضوری اعتماد دارد که حاضر است علیه ماشین شرط‌بندی کند. او می‌گوید: «من تیم خودم را در برابر AI انتخاب می‌کنم و روی آن شرط می‌بندم.»
گام بعدی شما
- اگر در حوزه‌ی تحلیل رفتار یا روان‌شناسی داده‌ها فعالیت می‌کنید، محدودیت‌های استخراج «قصد» از روی «الگو» را در این مورد مطالعه کنید.
- بررسی کنید که چگونه داده‌های بصری (Computer Vision) در محیط‌های پر فشار روانی دچار خطای تفسیر می‌شوند.
- منتظر گزارش‌های مربوط به ادغام حسگرهای پوشیدنی (Wearables) با مدل‌های استدلالی در بازی‌های استراتژیک باشید.
اما تأثیر این ابزارها روی امنیت داده‌های زیست‌سنجی بازیکنان حتی بحث‌برانگیزتر است؛ برای درک این موضوع به تحلیل ما درباره‌ی حریم خصوصی در عصر AI مراجعه کنید.
گفتگو