09 · 正常形博弈

⏱ 44 分钟 ｜ ⭐⭐ 从「一个人」到「一群人」：你的最优选择开始取决于别人怎么选

🎯 一句话

正常形博弈就是一张表：所有人同时、独立、只选一次，选完看表格里那一格，上面写着每个人各拿多少。

前两章你是一个人在做决定 —— 排序、算期望效用、挑最大的那个。 从这一章开始，表里的每一格都要两个人（或更多人）一起点头才能落到。 你还是那个最大化效用的你，但「最大化」这个动作的答案，第一次开始依赖别人。

🔀 一、转折：环境不会算计你，对手会

这是整个板块最大的一道坎，值得先讲透再讲定义。

第 7、8 两章的世界长这样：你面对的是一个不动脑子的世界。 骰子有六个面、概率是 1/6， 不会因为你押了「6」就偷偷改成 1/7。所以你能安心地算期望效用、挑最大的那个，算完就结束了。

强化学习也在这个世界里。MDP 里的转移概率是写死的一张表：你在状态 $s$ 做动作 $a$， 环境按固定的分布掷骰子给你下一个状态。环境有随机性，但它没有偏好，也不想赢你。

⭐ 一句话记住分界：MDP 里你在跟掷骰子的自然打交道，博弈里你在跟另一个最大化器打交道。 自然的随机是固定的；对手的「随机」是针对你调过的。

这个差别有多大？举个具体的：石头剪刀布。 如果对面是自然（比如一个真随机数发生器），你出什么都一样，期望收益恒为 0，这题没什么可想的。 但如果对面是个人，他会记住你上把出了什么。你一旦有任何规律 —— 哪怕只是「石头出得稍微多一点」—— 他就能针对你，你就会持续输钱。"最优策略"这个词在两种情形下指的根本不是一回事。

三个具体差别

⚠️ 第三行是最容易吃亏的一条。单人优化里「我改进了 → 我收益变高了」是天经地义的； 博弈里这句话只在别人不改的前提下成立，而这个前提通常不成立。 后面第 11 章的纳什均衡，本质上就是在找「别人也不想改」的那些点 —— 只有在那里，你的改进才是真的。

🕵️ 二、先看例子：囚徒困境

两个同伙被分开审讯，证据不足，检察官分别给出条件：

• 都不开口 —— 只能各关一周。
• 一个人指证另一个 —— 指证的当场释放，沉默的判 10 年。
• 互相指证 —— 各判 5 年。

刑期不能直接当收益（数越大越好才对），所以先按第 7 章的办法换成效用 —— 越靠前越舒服，效用越高：

于是整个局面缩成一张 2×2 的表。每格写两个数：前面那个是行玩家（甲）的收益，后面那个是列玩家（乙）的收益。

（⭐ 这组数字全板块统一，第 10、11、12 章还会一直用它，记住它省很多事。）

现在把甲的心思走一遍。他不知道乙会怎么选，所以两种情况都想一遍：

• 乙沉默：甲沉默拿 2，甲指证拿 3 → 指证更好。
• 乙指证：甲沉默拿 0，甲指证拿 1 → 指证还是更好。

⭐ 不管乙做什么，甲指证都严格更好。 乙的算盘完全对称。于是两个理性的人都指证， 落到 (1, 1)，而两个人都沉默本可以各拿 2。

💀 这就是囚徒困境的痛点：每个人都做了对自己最优的选择，合起来把两个人都害了。 注意这里没有任何人犯错、没有任何人不理性、也没有信息不对称 —— 坏结果是理性推出来的。 所以你没法靠「教育大家聪明一点」解决它，只能换游戏规则（那是第 16 章机制设计的活）。

📐 三、形式化：只有三样东西

把上面那张表抽象一下，一个正常形博弈（normal-form game）就是一个三元组：

$$G = \big(N,\ (A_i)_{i \in N},\ (u_i)_{i \in N}\big)$$

⭐ 注意 $u_i$ 的定义域是 $A$ 而不是 $A_i$ —— 这一个细节就是整章的转折所在。 你的收益不是你的动作的函数，是所有人动作的函数。 前两章里 $u$ 只吃你自己的选择，从这里开始不是了。

还有一个天天要用的记号：

$$A_{-i} = A_1 \times \cdots \times A_{i-1} \times A_{i+1} \times \cdots \times A_n$$

$a_{-i}$ 读作「除了 $i$ 之外所有人的动作」，于是一格可以写成 $(a_i, a_{-i})$。 上面「不管乙做什么甲都该指证」那句话，形式化就是 $u_1(\text{叛变}, a_{-1}) > u_1(\text{合作}, a_{-1})$ 对所有 $a_{-1}$ 成立 —— 下一章整章都在算这个式子。

给定一个行动组合 $a$，那一串数 $(u_1(a), \dots, u_n(a))$ 叫这一格的结果（outcome）。 ⚠️ 结果是一个向量，不是一个数。这一点在下一节讲帕累托时是全部的关键。

⚠️「同时、独立、只选一次」到底在说什么

这三个词是正常形博弈的适用条件，但都容易被字面误解：

• 同时 —— 不要求物理上同一秒。真正的要求是你做决定时看不到对方的选择。 两个人隔一周分别投密封标书，也算「同时」。
• 独立 —— 不能先商量好再一起行动（那是第 22 章合作博弈的设定）。
• 只选一次 —— 没有「下次再报复你」。⚠️ 这一条对囚徒困境特别致命： 现实中同伙会反复见面，重复博弈里合作是能撑住的。

有先后顺序、后手能看见前手的博弈叫扩展式博弈，在第 14 章。 那一章还会告诉你：任何扩展式博弈都能压平成一张正常形矩阵 —— 代价是矩阵会指数级变大， 而且会丢掉「谁先谁后」这个信息，所以才需要单独一套工具。

🥊 四、另外两个必须记住的例子

囚徒困境只是一类冲突。下面两个是另外两类，三个加起来基本覆盖了后面所有章节的举例需求。

性别之争（Battle of the Sexes）：想在一起，但想去不同的地方

一对情侣分头下班，一个想看拳击、一个想看芭蕾，但两个人都更想在一起。

⭐ 这里没有任何一个动作是「永远更好」的 —— 甲该选拳击还是芭蕾，完全取决于乙选什么。 所以上一节那套「不管对方怎样我都该……」的推理在这里一步都走不动， 下一章的支配工具对它完全无效，必须等到第 11 章的纳什均衡。

💀 而且它有个很真实的失败模式：两个人各挑各爱的，打出 (0, 0) —— 比任何一种「迁就」都差。 协调失败的代价往往比选错方向大得多。

石头剪刀布：一分钱都没有被创造出来

每一格的两个数加起来都是 0 —— 这叫零和博弈：你赢的正好是我输的。 零和是博弈论里性质最好的一块（第 13 章会讲， 那里纳什均衡的三个毛病同时消失），但也是最不像现实的一块 —— 真实世界里绝大多数冲突是「有共同利益也有分歧」的，比如上面两个例子。

⚠️ 还有一件事：这张表里每个纯动作都会被对手针对，一会儿你会发现它连一个「稳定格」都找不到。 解药是掷骰子（第 12 章）。

三个人怎么画？—— 晚餐困境

三个朋友去吃饭，说好账单平摊。菜有便宜的和贵的，贵的稍微好吃一点。 三个人玩就要两张表：第三个人的选择决定看哪张。

第三人点便宜的：

第三人点贵的：

把甲的四种情形都验一遍（每次固定住乙和第三人，比较甲的两行）：

⭐ 四种情况下点贵的都严格更好 —— 因为多花的钱有 2/3 是别人替你出的，好处却全归你。 于是三个人都点贵的，落到 (2, 2, 2)；而三个人都点便宜的是 (3, 3, 3)。 和囚徒困境一模一样的结构，只是玩家从 2 个变成 3 个、故事从审讯室换成了饭桌。

⭐ 认出这个结构比记住这个例子重要：成本被摊薄、收益被独占 —— 公摊电费、共享打印机、开源项目的维护、云资源配额、A/B 实验平台的流量…… 只要有这个形状，(2,2,2) 就会自己长出来，不需要任何人使坏。

⚖️ 五、帕累托最优：怎么说「这个结果更好」

上一节留了个尖锐的问题：囚徒困境里 (1,1) 明显比 (2,2) 差，但「差」这个话该怎么严格地说？

麻烦在于结果是一个向量不是一个数（第三节最后强调过）。 $(3,0)$ 和 $(0,3)$ 谁更好？没法说 —— 甲觉得前者好，乙觉得后者好。 ⚠️ 你不能把两个人的效用加起来比大小 —— 第 7 章讲过效用是序数的， 甲的「3」和乙的「3」根本不是同一把尺子量出来的，相加没有意义。

所以只能用一个极其保守的标准：只在没有人反对的时候才说更好。

⭐ 帕累托支配：结果 $o$ 帕累托支配 $o'$，当且仅当 $$\forall i,\ u_i(o) \ge u_i(o') \quad\text{且}\quad \exists j,\ u_j(o) > u_j(o')$$ 人话：所有人都不差，且至少有一个人真的更好。

⭐ 帕累托最优（Pareto optimal / efficient）：没有任何结果能帕累托支配它。 人话：想让任何一个人更好，就必然得让另一个人更差。

🔨 手算：把囚徒困境的四格全查一遍

判定套路很机械：拿一格，和其余每一格逐个比，看有没有谁能「两个数都不小、至少一个更大」地压过它。

⭐⭐ 囚徒困境的全部悲剧就浓缩在最后一行： 四个格子里有三个是帕累托最优的，理性推导偏偏把两个人送进了唯一那个不是的格子。

💀 这就是「个体理性 ≠ 集体最优」的精确表述。 后面第 16 章的机制设计，做的正是改规则让理性的人落到帕累托最优的格子里。

⚠️ 三个常见误解

🌐 你在别的板块已经见过它了

⭐ 本站另外两处都在用这个结构，但都没有定义过它 —— 这一节就是它们的定义处：

• 《推荐算法》11 · 重排与多样性的准确性 vs 多样性权衡（Accuracy-Diversity Tradeoff）： ⚠️ 那一章没有用「帕累托」这个词，它的说法是「λ 一变推出来的东西完全不同」「短期 CTR 降 1–2%、长期留存上升」—— 但那正是一条二维的帕累托前沿：前沿上的每一点都是「想再多样一点就必然牺牲准确性」， 也就是上面「让一个人更好必然让另一个更差」把「人」换成「目标」。
• 《模型上线之后》15 · 长期效应与代理指标里的多目标权衡： 那一章直接画了「多目标优化的帕累托前沿」，短期点击和长期留存的取舍是同一个结构。

💡 换句话说，多目标优化里的「帕累托前沿」和博弈论里的「帕累托最优」是同一个定义， 只是一个把维度当成「目标」，一个把维度当成「人」。

🔗 这一章连到哪里

✅ 检查点

1. 单人决策和博弈最本质的差别是什么？为什么说「我改进了所以我收益变高了」在博弈里不一定成立？
2. 正常形博弈的三个组成部分是什么？$u_i$ 的定义域为什么是 $A$ 而不是 $A_i$？
3. 囚徒困境里，为什么甲不需要知道乙怎么选就能决定自己怎么做？两人最终落在哪一格、收益多少？
4. 「同时、独立、只选一次」这三个条件各自真正的含义是什么？哪一条对囚徒困境最致命？
5. 性别之争和囚徒困境的结构差别在哪？为什么「不管对方怎样我都该……」这套推理对它无效？
6. 晚餐困境和囚徒困境是什么关系？那个结构的一句话概括是什么？
7. 为什么不能把两个玩家的效用加起来比较大小？
8. 写出帕累托支配的定义。囚徒困境四格里哪些是帕累托最优的？
9. (3,0) 是帕累托最优的吗？这说明帕累托最优和「公平」是什么关系？
10. 帕累托最优的结果一定会发生吗？举一个反例。

🛑 可以停在这里

⚡ 走神救援

⭐⭐ 这一章是全板块最大的一道坎：从「一个人」到「一群人」。 第 7、8 章你面对的是不动脑子的世界 —— 骰子有六面、概率 1/6，不会因为你押了 6 就改成 1/7；MDP 的转移概率也是写死的表，环境有随机性但没有偏好、不想赢你。从这一章起，对面是另一个最大化器，他的「随机」是针对你调过的。⚠️ 最容易吃亏的一条推论：单人优化里「我改进了 → 收益变高」天经地义，博弈里这只在别人不改时成立 —— 第 11 章的纳什均衡就是在找那些「别人也不想改」的点。形式化只有三样东西：$G=(N,(A_i),(u_i))$，⭐ 关键细节是 $u_i$ 的定义域是全体行动组合 $A$ 而不是 $A_i$ —— 你的收益不是你的动作的函数，是所有人动作的函数，转折全在这里。记号 $a_{-i}$ = 除你之外所有人的动作。三个必背例子：囚徒困境（效用 自由3/1周2/5年1/10年0）—— 乙沉默时甲指证拿 3 > 2，乙指证时拿 1 > 0，⭐不管乙做什么指证都更好，两人落到 (1,1) 而都沉默本可各拿 2；💀 没人犯错、没有信息不对称，坏结果是理性推出来的，所以教育不管用，只能换规则（第 16 章）。性别之争（2,1 / 0,0 / 0,0 / 1,2）—— ⭐没有任何动作永远更好，支配工具一步都走不动，必须等纳什均衡；💀 各挑各爱打出 (0,0)，比任何迁就都差。石头剪刀布 —— 每格两数和为 0，零和；性质最好但最不像现实。三人晚餐困境：四种情形点贵的都更好，落到 (2,2,2) 而都点便宜是 (3,3,3) —— ⭐ 认出这个形状比记住例子重要：成本被摊薄、收益被独占（公摊电费、共享打印机、开源维护、云配额）。「同时、独立、只选一次」三条：同时 = 决定时看不到对方（隔周投密封标书也算）、独立 = 不能商量、⚠️ 只选一次对囚徒困境最致命（重复博弈里合作撑得住）。⭐⭐ 帕累托：因为效用是序数的，甲的 3 和乙的 3 不是同一把尺子，不能相加，所以只能用最保守的标准 —— 所有人都不差、至少一人更好才叫支配；没人能支配它就叫帕累托最优（想让谁更好就必然让另一个更差）。手算囚徒困境四格：(2,2)、(3,0)、(0,3) 都是帕累托最优，只有 (1,1) 不是（被 (2,2) 支配）—— ⭐⭐ 四格里三格最优，理性偏偏把人送进唯一那个不是的。三个误解要记牢：(3,0) 也是帕累托最优的（它完全不管公平）、帕累托最优是一个集合不是一个点、帕累托最优不一定会发生（囚徒困境就没发生）。⭐ 最后一条跨板块：《推荐算法》11 的准确性 vs 多样性权衡（⚠️ 那一章没用「帕累托」这个词）和《模型上线之后》15 的帕累托前沿，用的就是这个定义，只是把「人」换成了「目标」—— 那两处一直在用这个结构，定义在这里。

下一节 👉 10-支配策略.md