非完美信息博弈AI是如何做决策的？

围棋、国际象棋是完美信息博弈：双方看到同一棋盘，搜索（MCTS）就能逼近最优。而扑克、麻将、斗地主、掼蛋的核心困难是信息不对称——你看不到对手的手牌，最优策略依赖于对对手私有信息的概率推断。

这带来一个本质区别：完美信息博弈的最优解是确定性的，而非完美信息博弈的最优解往往是一种混合策略（bluffing 存在的原因）。直接把国际象棋那套搜索搬过来，在牌桌上是不成立的。

反事实遗憾最小化（Counterfactual Regret Minimization）是求解非完美信息博弈近似纳什均衡的经典框架：通过迭代计算每个信息集上的“遗憾值”，逐步收敛到均衡策略。扑克AI Libratus、Pluribus 的成功证明了这条路线的上限。

局限在于状态空间：麻将的牌型组合空间巨大，直接对完整博弈树跑 CFR 不可行，需要配合抽象（card abstraction）把相似状态聚类，而抽象粒度直接决定了强度的天花板。

以 DouZero 为代表的自博弈深度强化学习路线，用神经网络近似策略价值函数，通过海量自我对弈迭代提升。优点是不依赖人工抽象、对大数据量玩法（斗地主）效果好；缺点是训练成本高、对局风格趋同（收敛到单一强策略），拟人化需要额外的策略池与风格化处理。

我们的生产方案是两者混合：CFR类方法构建基线策略保证下限，深度强化学习提升强度上限，再叠加行为模型层（节奏、失误、性格）做拟人化输出。

论文到生产之间隔着三个工程鸿沟，这也是开源方案难以直接商用的原因。

• 延迟预算：牌桌上出牌延迟超过 2 秒玩家就会察觉异常，我们的决策 P95 延迟控制在 50ms 内，需要模型量化、缓存与推理优化
• 规则正确性：商业玩法的地方规则变体（血战到底、敲麻计番）必须100%正确，开源实现几乎都需要大规模补课
• 可控性：运营需要胜率控制、情绪响应等干预接口，纯自博弈模型需要额外的策略调整层才能支持

真人玩家的决策不只依赖手牌，还依赖牌河记忆、对手行为模式、局外上下文（积分、连败）。让AI“像人”，需要把这些信息结构化后喂给决策层——记牌器式的显式记忆模块 + 对手建模（opponent modeling）比加深网络更有效。

我们的机器人具备对手画像能力：对激进玩家收紧抓牌、对谨慎玩家施加压力。这类动态适应，是静态策略模型无法提供的，也是 API 化之后中小团队最难自建的部分。