人类如何凭直觉判断新游戏？MIT提出‘直觉玩家’认知模型

人类的直觉，远比算法更精巧 即使从未接触过一款新游戏，人也能在几秒内判断它是否公平、是否有趣、第一步该怎么走。这种能力看似简单，实则蕴含着高度灵活的认知机制——不依赖海量训练，不依赖完整推演，而是在目标引导下，快速展开少量心理模拟，并据此做出合理判断与行动。 一个解释‘新手推理’的计算模型 麻省理工学院团队联合多机构研究者，基于对121种原创双人策略棋盘游戏的大规模行为实验，构建出名为‘直觉玩家’（Intuitive Gamer）的计算认知模型。该模型并非为赢而设计，而是为理解人类‘第一次面对未知规则时如何思考’而生。 它由两个核心模块构成： 玩家模块负责行动选择——依据简洁的目标导向启发式规则，评估每个可选动作对推进自身目标、阻碍对手目标的价值，并以概率方式决定下一步； 推理模块负责属性判断——调用玩家模块进行少量自我对弈模拟（通常5–7次），不追求穷尽所有可能，而是在模拟中预估胜、负、平的概率分布，从而支撑对公平性、趣味性、可继续性等高阶判断。 五类关键行为，全部被模型精准复现 研究覆盖超1000名参与者，在严格控制经验变量的前提下，验证了模型对人类直觉反应的拟合能力： 第一，游戏公平性判断。仅凭规则描述和空白棋盘，238名新手即可给出稳定评价；模型预测与人类评分的相关性达0.81，逼近人类数据本身的信度上限（0.82）。消融分析证实：目标导向、概率选择、浅层模拟与有限次数缺一不可。 第二，游戏趣味性评估。246名参与者在零经验下打分，模型从平衡性、决策质量与游戏长度三项特征出发，拟合度达0.57，接近人类数据可解释性的理论天花板（0.60）。 第三，首次行动选择。302名新手在40个全新游戏中落子，模型对实际收益的解释率达72%，并在32/41款游戏中解释了超过一半的行动概率分布，显著优于深度搜索型专家模型与随机基线。 第四，他人行动预测。当观察新手对局视频时，人类观众倾向于聚焦少数直观可行的走法；模型输出的预测分布与此高度吻合，TVD指标显著优于专家与随机模型。 第五，是否继续游戏。在142次平局请求中，模型结合期望收益、预期成本与趣味性评估，有效区分接受与拒绝倾向；移除其评估函数后，预测性能明显下降。 这不是终极答案，而是新范式的起点 当前模型聚焦于结构清晰、规则明确的双人竞争类棋盘游戏，尚不能直接迁移至围棋、实时策略或多智能体协作场景。它也尚未刻画个体差异——比如有人会提前终止模拟，有人几乎不模拟，还有人会在单局中动态调整启发式规则。 更重要的是，人类不止于理解和参与游戏，还持续创造与重构规则。未来工作需追问：同样的浅层模拟机制，能否支撑规则发明？能否延伸至科学假设生成、数学直觉形成或工程方案初筛等开放性认知活动？ ‘直觉玩家’的意义，不在于教会AI下棋，而在于提醒我们：真正的智能，未必始于算力堆叠，而常始于一次有方向、有节制、有反馈的简短构想。