统一搜索框架：让AI自由切换完美与不完美信息博弈

1. 项目概述：当一个算法开始“既看透底牌，又猜中人心”

你有没有玩过这样的游戏？一边是国际象棋，每一步都明明白白，所有棋子位置、规则、胜负条件全部摊在桌面上——这是 完美信息博弈 ；另一边是德州扑克，你手里攥着两张底牌，对手的牌盖着，公共牌一张张翻，你得靠概率、心理、虚张声势去博弈——这是 不完美信息博弈 。过去几十年，AI在两类游戏上走的是两条平行线：AlphaZero横扫围棋、象棋，靠的是超强的 确定性搜索与策略评估 ；而Pluribus或Libratus征服扑克，靠的是 纳什均衡逼近与反事实遗憾最小化（CFR） 。它们像两个不同工种的老师，一个专教逻辑推演，一个专教心理博弈，彼此从不越界。

直到2021年底，DeepMind发布Player of Games（PoG），它不是简单地把两个系统拼在一起，而是用一套统一的 搜索+学习+泛化框架 ，让同一个模型，在同一套代码逻辑下，既能下出AlphaZero级别的国际象棋，又能打出接近人类顶级职业牌手水平的德州扑克。这不是“多任务学习”的小修小补，而是对“智能体如何在信息不对称与信息对称之间自由切换认知模式”这一根本问题的一次实质性突破。关键词里的“Towards AI”不是平台名，而是这个项目天然携带的属性——它面向的是整个AI研究社区，核心价值在于 方法论的可迁移性 ：如果你正在设计一个需要同时处理“已知规则”和“未知意图”的系统（比如智能客服既要理解标准FAQ，又要预判用户没说出口的真实诉求；再比如工业质检既要识别明确缺陷模板，又要发现从未见过的新型异常），PoG的架构思想就是一份现成的、经过严苛游戏验证的工程蓝图。它不承诺立刻落地某个具体产品，但它把“如何让AI具备跨信息维度的适应力”这个问题，从哲学讨论拉进了可编码、可调试、可复现的工程范畴。

我第一次读到论文时，最震撼的不是它赢了多少局，而是它在训练扑克阶段， 完全不依赖任何人类专家策略库或手工编写的博弈树剪枝规则 。它从零开始，只靠自我对弈产生的胜负反馈，就逐步演化出诈唬、跟注节奏、范围平衡等一整套复杂行为。这说明PoG的底层机制，已经能自发涌现出应对不确定性所需的“认知弹性”。这种能力，远比在某个固定排行榜上刷高分更有长期价值。它解决的不是一个游戏问题，而是“当世界既给你清晰地图，又故意藏起部分坐标时，智能体该如何决策”的通用范式。

2. 核心设计思路：为什么放弃“双系统拼接”，选择“单核动态适配”

2.1 传统路径的天花板与隐性成本

在PoG出现前，主流方案是“双轨制”：为完美信息游戏（如围棋、象棋）设计一套基于蒙特卡洛树搜索（MCTS）+ 策略/价值网络的系统；为不完美信息游戏（如扑克）另起炉灶，构建基于CFR变体+ 信息集抽象的专用引擎。这种做法看似合理，实则埋着三颗雷：

第一颗是 知识迁移壁垒 。AlphaZero的MCTS依赖“状态完全可观测”这一前提，每一步都能精确计算所有合法动作的胜率期望。但到了扑克里，“状态”本身是模糊的——你只知道自己的手牌和公共牌，对手的手牌是一个概率分布。强行把MCTS套进去，搜索树会指数级爆炸，因为每个“信息集”（即玩家视角下的所有可能真实状态集合）都要被当作一个独立节点处理，计算量直接失控。我试过把简化版MCTS硬塞进一个三人限注德州扑克环境，单局推理耗时从毫秒级飙升到分钟级，完全失去实时性。

第二颗是 泛化能力缺失 。Pluribus的CFR框架极度依赖对游戏结构的深度建模：它需要预先定义什么是“信息集”，如何对相似信息集进行聚类压缩（abstraction），甚至要手工设计“反事实值”的更新权重。一旦游戏规则微调（比如把德州扑克的下注轮次从四轮改成五轮），整个CFR流程就得重写、重训、重调参。这就像给一辆燃油车装上电动车的电机——物理接口能接上，但动力系统的控制逻辑、能量管理、热管理全得推倒重来。

第三颗是 工程冗余 。维护两套完全不同的训练管道、推理服务、监控告警系统，意味着双倍的开发人力、双倍的部署复杂度、双倍的故障排查时间。我们团队曾为一个混合型金融决策系统同时接入AlphaZero风格的风控策略模块和CFR风格的市场博弈模拟模块，光是协调两个模块的输入数据格式（一个是张量，一个是序列化信息集ID），就花了两周时间写转换中间件。

2.2 Player of Games的破局点：搜索即推理，学习即建模

PoG的破局点，是把“搜索”和“学习”彻底解耦，并赋予搜索层一种 动态感知信息完备性的能力 。它的核心不是发明新算法，而是对现有技术进行外科手术式的重构：

• 搜索层（Search Layer）不再假设信息完备 。它不叫MCTS，也不叫CFR，而叫 Sampled MCTS（采样蒙特卡洛树搜索） 。关键创新在于：当面对完美信息状态（如象棋盘面）时，它按标准MCTS展开所有合法动作；但当面对不完美信息状态（如扑克手牌+公共牌）时，它会 主动采样一批符合当前观测的可能隐藏状态（即对手手牌的合理分布） ，然后对这批采样状态分别运行轻量级MCTS，最后将结果按采样概率加权平均。这个过程，本质上是在用“概率加权的确定性搜索”替代“纯概率的均衡求解”。它不需要预定义信息集，采样过程本身就是对不确定性的实时建模。

• 学习层（Learning Layer）专注泛化表征 。PoG抛弃了传统策略网络（Policy Network）和价值网络（Value Network）的二分法，只用一个 统一的预测头（Unified Prediction Head） ，同时输出三类信号：1）当前状态下各