为什么在德州扑克中位置很重要

因为在德州扑克中，位置就代表了话语权。所以这也是为什么打德州扑克和打麻将不一样的一点，德州扑克的机制是轮流坐庄，而麻将是赢了的人可以继续坐庄，在德州扑克中位置的重要性可见一斑，经常可以影响一把牌最后输赢的走势。

所以德州扑克还有另外一个规矩，就是第一轮的时候会让小盲位和大盲位最后发言，因为这两个位置是一局德州扑克中最弱势的两个位子，只有第一轮作为最后发言，后面就都是第一个发言和第二个发言的了。很多德州的高手可以在小盲位或者大盲位的时候玩得风生水起，知道自己后面的话语权不占优势，所以在第一轮的时候根据大家下注的情况最后加码，赶走那些可能牌比自己大的人。具体在德州扑克中位置要怎么运用呢，这个是需要结合你的牌力还有你通过对对手行为的观察进行的读牌。

打个比方，你的拿到了AK这样的好牌，首先你拿到这样的牌，你的赢面就已经比较大了，但这个时候你最怕什么呢，最怕那些拿到一对5，对6，对7这样的牌进场，然后flop翻出来一张凑成三张，所以拿到AK这样的牌你要做的是把这种有可能翻盘的小牌打走，或者是拿着35进场，但是翻出来124，你要提高大家的进场成本，这样才能更大程度上保住你的优势。

而这个结合位置来说，越后的位置你越可以获取更多的信息量之后再行动。

你见过的最奇葩招聘是什么

疫情之下，今年的金三银四特别的冷清。相比较今年招聘季的冷清，网上一则盲盒岗位招聘的形式着实让人觉得太奇葩！

贵阳的这家企业通过盲盒岗位的形式，设有多个奇葩岗位，比如“对牛弹琴师”，“小奶牛抱抱师”，这些岗位一旦应聘成功，月薪过万不说，每月的工作随机安排，薪资分时薪、日薪、月薪不等，最高月薪过万。一个月只工作一天，若不是这么奇葩，我都想去应聘了。

这种盲盒岗位的形式与我们日常招聘的要求大相径庭。

一、人岗匹配?不存在！岗位盲盒说了算

我们找工作，也许谈不上过五关斩六将，但是最基本的一面二面的流程还是要走的，最重要的是面试官需要根据岗位要求来匹配，你是否是企业需要的人才。这家企业就很神奇了，盲盒岗位的形式，就像抽奖似的，抽到什么就是什么岗位。

不仅如此，岗位更是奇葩，比如“对牛弹琴师”，“小奶牛抱抱师”，这些岗位一听就给人的感觉是很不靠谱。不太明白，这类运用文字游戏的岗位能够创造什么价值呢，这样奇葩的岗位和要求，大都是哗众取宠、吸引眼球罢了。

二、还在纠结单休、双休、996？一个月居然只要工作一天

我们打工人一方面要求薪资满意，另一方面希望朝九晚五双休还稳定。贵州的这家企业直接给到每个月工作一天，幸福来得太突然，关键是太不真实了。每个月工作一天，即使是企业老板也不敢这样懈怠啊，这家企业的工作时间虽然很吸引人，但是太奇葩了，压根没道理啊。

三、月薪过万不是梦，工作还可随机安排

关于这点，真的是让人很羡慕。对于我们在小县城工作的人来说，每个月月薪过万简直就是美梦。贵阳这个地方，到当地的招聘网站一看，能够月薪上万的工作真的是凤毛麟角，而且我们对于贵阳的印象也不是经济发达的城市。所以，这个所谓的“对牛弹琴师”，“小奶牛抱抱师”能否给到月薪上万的工资，实在是要打个大大的问号。

疫情之下，各行各业都比较艰难。对于打工人来说，有份稳定的工作还是要珍惜，切不可被网上奇葩和虚假的招聘信息忽悠了，导致自己跳槽失败，还失去了一份稳定的工作机会。

AI攻陷多人德扑再登SCIENCE!解析其背后的科技

“Pluribus”，一款AI扑克牌机器人，最近在六人无限制德州扑克游戏中，击败了人类职业选手，这是AI首次在多人对局中取得如此成就。这篇论文由Noam Brown和Tuomas Sandholm撰写，是他们在复杂博弈算法领域的最新研究成果。文章标题为“Superhuman AI for multiplayer poker”，链接为science.sciencemag.org/...

核心思路在于通过自我对战不断优化策略选择，同时学习如何使用“bluff”，即在牌面不利时故意加大投注，保持对手难以预测的策略。这种自我学习和策略优化是AI取得胜利的关键。

在面对多人博弈时，如何找到纳什均衡成为难题。纳什均衡意味着没有参与者能通过改变策略获得优势，但在多人游戏中，均衡点存在无数个，使得策略选择变得复杂。而“Monte Carlo CFR”算法提供了解决方案，它通过反事实遗憾最小化，实现策略优化。

算法流程包括：初始概率分布，收益估计，以及概率调整。通过这种方式，AI能够学习到更优的策略。此外，为了降低算法复杂度，AI使用了行为和信息的抽象方法，将相似行为和牌面视为同一，简化决策过程。

为了减少随机初始化的影响，AI采用了线性CFR算法进行初始训练，并给予越晚训练的模型更大权重，确保最终策略的稳定性。在实际对局中，AI融合了不同策略，如偏好弃牌、跟牌、加注等，以增加对手的预测难度。

实验中，AI与多位顶级选手进行了5000手对局，结果表明AI的平均损失远低于人类选手。这表明“Pluribus”在多人德扑中的表现超越了人类，展示了AI在复杂策略学习领域的突破。

尽管论文中提到了一些先前算法的理论基础，如infoset和抽象方法，以及使用蓝图进行初始策略设定，但整体上，论文的主要贡献在于优化和改进现有算法，成功将两人德扑的解决方案扩展到六人对局，为多人博弈算法的发展做出了重要贡献。