arXiv：游戲如何塑造大模型智能

導語

當互聯網高質量訓練數據逐漸接近天花板，大模型下一步該如何持續成長？一個出人意料的答案或許來自游戲。對于人類兒童而言，學習并不完全依賴教材，許多能力恰恰是在與伙伴互動、競爭和協作的游戲過程中形成的。近年來，一系列研究開始探索類似路徑：讓大模型通過博弈學習推理能力，通過游戲行為揭示決策機制，甚至進一步參與設計新的游戲規則。從在規則中學習，到在規則中決策，再到創造規則本身，游戲正逐漸從一種測試工具演變為理解和塑造智能的重要載體。或許，大模型未來所需要的，不只是更多文本，而是更多值得去“玩”的游戲。

關鍵詞：游戲、大模型、訓練、可解釋性、規則

郭瑞東丨作者

趙思怡丨審校

當大模型開始“玩游戲”，推理能力變強了？

傳統的學習，有結構化的教材，明確的目標和任務。但更多的時候，我們進行的是非正式學習，即在日常互動中試錯、反饋、模仿。最典型的例子是孩子在游戲中學會合作與一般環境下的推理。事實上，近年來已經有不少研究開始探索：如果讓大模型像兒童一樣，通過與環境和其他智能體持續互動，是否能夠獲得比單純閱讀文本更強的推理能力？

例如，2026年發表于ICLR的一項研究發現，多智能體在多輪零和博弈中進行強化學習，能夠顯著提升模型的推理表現[2]。在這一方向上，于2026年1月發表于arXiv上的GIFT研究進一步提出了一個更激進的問題：如果把游戲視為一種“非正式學習”（Informal Learning）環境，讓模型同時在多種類型的游戲中成長，會發生什么？

論文題目：GIFT: Games as Informal Training for Generalizable LLMs 論文鏈接：https://arxiv.org/abs/2601.05633 發表時間：2026年1月9日 論文來源：arXiv

在于其精心選擇了三類代表性游戲，然后讓不是模型交替以某一類游戲的結果為目標開展訓練，而是必須同時在數學推理、策略博弈、社交理解等多個子任務上表現良好，才能獲得最大獎勵。通過這樣的“交替訓練”，訓練出的模型，能在和游戲無關的任務上表現得更好。

圖1：正式與非正式學習的對比

三個游戲分別是像囚徒困境這樣的單次博弈，井字棋這樣的多次博弈，以及“誰是臥底”這樣需要社交互動的游戲，分別對應了抽象推理、序列決策、社交能力等會讓大模型變得價值的核心能力。

結果發現，通過在訓練過程中，讓模型先解一道數學題，再玩一輪矩陣博弈（如囚徒困境），最后參與一次“誰是臥底”討論。只有全程表現均衡，才能獲得高回報。可以顯著提升模型在多項任務上的性能。

圖2：多游戲與正式學習的混合訓練方案

上述方法被稱為嵌套訓練框架（Nested Training Framework），與之相對的，是傳統的混合訓練（mixed training），即對于前述4類任務，分別進行訓練，訓練完一項任務后再進行下一任務的訓練。

圖3：對比顯示正式學習與非正式學習的作用以及嵌套訓練的有效性。

結果顯示，混合訓練雖在早期階段憑借“任務競爭”機制在領域內任務（左側紫色曲線，如矩陣博弈）上快速取得較高分數，但其通用能力（右側灰色曲線，如MMLU評估的推理能力、Comon評估的創意寫作，SocialIQA評估的社交能力等）的性能不升反降；說明訓練后的模型缺少領域外泛化能力（圖3上）。

相比之下，嵌套訓練通過將多任務以“與邏輯”順序串聯，強制模型在完整軌跡上均衡優化，使領域內任務與通用能力兩條曲線同步穩步上升（圖3下），雖在單一任務的峰值表現上可能略遜于混合訓練的“偏科沖刺”，但在綜合泛化指標上實現更穩健、可持續的增長。

相比混合訓練，嵌套訓練在整個訓練過程中保持了穩定的梯度（圖4右）和更高的熵（圖4左），從而在所有能力上實現穩定且持續的改進。 圖3和圖4的結果表明，嵌套訓練框架不僅具有更優的優化穩定性，也能夠促進模型形成更強的跨任務泛化能力。

圖4：混合學習與嵌套學習的動力學特征

不過，這里自然會引出一個新的問題：如果游戲真的能夠塑造智能，那么游戲究竟改變了模型什么？

第一篇研究關注的是訓練結果——模型是否學會了更通用的能力；而另一項最新研究則把視角轉向訓練后的模型本身，試圖回答一個更加微觀的問題：當大模型進入游戲情境時，它究竟是如何思考和決策的？

令人意外的是，研究者發現，大模型在游戲中不僅會表現出策略偏好，甚至會展現出類似人類的“性格傾向”。那么下面研究講述的讓ChatGPT玩飛行棋，則可展示模型在推理過程中，展現出類似人的小性子。

一盤飛行棋，暴露了AI“性格”

在另一篇發表于2026年的研究中，研究者沒有繼續探討“如何利用游戲訓練模型”，而是反過來利用游戲作為一面顯微鏡，觀察大模型在復雜決策中的行為特征。

他們選擇的實驗環境，是幾乎所有人都熟悉的飛行棋（Ludo）。

飛行棋是一個多人棋類游戲，其中既有合作也有競爭，玩家要把自家的一個個飛機移到機庫。而這項研究中，研究者設計了480個精心構造的飛行棋局面（類似《天龍八部》中的“珍瓏棋局”），系統測試了Qwen、DeepSeek、Claude、Llama、Gemma等6類主流大模型的決策能力[3]。

論文題目：LUDOBENCH: Evaluating LLM Behavioural Decision-Making Through Spot-Based Board Game Scenarios in Ludo 論文鏈接：https://arxiv.org/abs/2604.05681 發表時間：2026年4月7日 論文來源：arXiv

研究發現所有模型與博弈論最優策略的吻合度，只有40-46%，也就是說，大模型超過一半的決策，都是戰略上錯誤的。

圖5：飛行棋棋盤

更有趣的是，研究者發現大模型玩飛行棋時，會暴露出兩種截然不同的性格。Finishers（完成者）死磕已經出場的飛機，拼命把它們送到終點，Builders（建設者）瘋狂發展讓飛機從機庫出發，但從來不完成。

最離譜的是：當告訴大模型“剛才對手把你的飛機打回機庫”，哪怕棋盤局面完全一樣，有些模型的決策會有33%的概率改變，即使新做出的決策不是博弈論上最優的。不同模型報復的概率不同，這說明AI的決策會被情緒化敘事強烈影響，而某些模型本身就天生好斗，不需要刺激就會報復。

圖6： 模型的預設人設與實際玩法的一致性

知道了AI在玩游戲時有報復心，那給AI不同的人設，又會發生什么了，該研究通過提示詞，將AI玩游戲時的玩法分為4類，分別是：

• aggressive（激進型）：優先吃子

• greedy（貪婪型）：優先完成

• safe（保守型）：優先安全

• unforgiving（睚眥必報型）：優先報復

結果大部分情況下，人設指令的效果都很弱，對齊分數只有0.3-0.5（圖6），只有兩個組合效果顯著：Qwen-2.5-7B 在激進型時93%概率符合；Qwen-Plus + greedy時83%概率符合。

更離譜的是，有時指令會產生相反效果：比如讓Claude-3.5-Haiku（保守一點），結果它在“吃子vs安全”的選擇中，吃子率從66%漲到88%。翻譯一下：你讓AI保守，它反而更激進了。這說明人設指令會和模型已有的戰略偏好產生不可預測的交互，而不是簡單地覆蓋它。

上述研究，遠不止告訴我們“AI會不會玩飛行棋”，而是通過游戲，揭示AI有“性格偏執”，不同模型會發展出截然不同的戰略風格，而且這種偏執很難簡單地通過提示詞糾正。而對游戲的描述，即敘事框架會影響AI決策。這些發現，提升了模型的可解釋性。結合推理過程中的動力學，游戲中的大模型其展現的獨特行為，可能為了解大模型內部的運行機制提供獨特窗口。

而將這兩篇研究合在一起來看，那會發現一些更有趣的點，飛行棋是一個比井字棋更復雜的多人多輪博弈，如果允許玩家之間通過自然語言交流，試圖用描述棋局走向來影響別的玩家，那就涉及了社交智能。那如果通過飛行棋讓大模型進行強化學習，是不是會像第一部分描述的那樣了？

對此筆者的猜測是不可行，原因首先是由于本文揭示的模型會存在不同的性格，其次是由于飛行棋這樣涉及運氣（投骰子）以及對手非理性的游戲，讓強化學習算法很難分配激勵，訓練中的大模型難以知道是由于那些因素獲勝的，嵌套訓練中的每個任務恰好因為足夠簡單，才能讓每一次的輸贏成為清晰的信號。

AI能創造游戲規則嗎？

前兩項研究分別展示了游戲的兩種價值：一方面，游戲可以成為訓練智能的環境；另一方面，游戲也可以成為觀察智能的窗口。但這兩類工作有一個共同前提——游戲規則是人類事先設計好的。

《有限與無限的游戲》一書中寫道：有限的游戲在邊界內玩，無限的游戲玩的就是邊界。如果再向前邁進一步：讓大模型不僅參與游戲，而是參與“創造游戲”本身，會發生什么？這正是第三項研究關注的問題。

論文題目：GAVEL: Generating Games Via Evolution and Language Models 論文鏈接：https://arxiv.org/abs/2407.09388 發表時間：2024年1月12日 論文來源：arXiv

這篇發表于2024年的研究讓大模型自動生成新穎且可玩的棋盤游戲規則[4]，研究者先將已有棋類游戲的規則，通過高階關鍵詞(如step,slide,hop)對規則進行編碼，之后隨機定位一些規則表達式作為“突變位點”，再由經微調后的CodeLlama-13B模型生成新規則片段并重構游戲代碼；圖右側為分層評估與檔案更新，新游戲依次通過編譯檢查、可玩性驗證、隨機策略快篩與蒙特卡洛樹搜索深度評估四層過濾，計算六項指標的調和適應度，同時將其概念向量經PCA降維至2維的適應性景觀上。

圖7：大模型設計棋類游戲的流程示例

這樣一來，產生了很多規則融合的棋類游戲，例如五子棋和圍棋的融合（五子勝/四子負 + 圍吃機制融合），對此人類專家評價"有潛力成為經典"，感興趣的玩家可以去下面的網頁試玩。

圖8：大模型生成游戲的試玩界面 https://ludii.games/details.php?keyword=YavaGo

上述案例說明，當大模型學會“理解游戲規則的語法與語義”，再與演化算法的多樣性搜索相結合，就能成為一位不知疲倦的"游戲設計學徒"，無法確保它一定能獨立創造出傳世佳作，但能和人類一起去玩無限游戲，為人類游戲設計者提供可玩、有啟發性的規則原型，開啟人機共創意的新范式。

現有的研究，僅聚焦規則產出，未來可研究大模型對游戲規則語義的深層建模，支持“為什么這條規則有趣”的可解釋分析。筆者設想可通過讓大模型設計出別的大模型愛玩的游戲，如此的設計層面自我博弈，從而為大模型創造出近乎無限的訓練數據（大模型玩新設計出的游戲時的對弈數據），同時向別的大模型智能體解釋為何自身設計游戲好玩的過程，就是提升模型可解釋性，尤其是社交過程中可解釋性的過程。

從更宏觀的視角看，這三項研究恰好對應了智能發展的三個層次：學習規則、運用規則，以及創造規則。當我們將“游戲”從固定規則的競技場，重構為規則本身可演化的學習沙盒，本質上是在回答一個更深刻的問題：智能的本質，是掌握規則的能力，還是創造規則的能力？

而在探索智能本質的征途中，讓大模型“玩”無限游戲，或許正是通往持續成長的密鑰。

1. https://arxiv.org/html/2601.05633

2. https://openreview.net/forum?id=7Yayy5fNLg

3. https://arxiv.org/html/2604.05681v1

4. https://proceedings.neurips.cc/paper_files/paper/2024/file/c7b04e4e13bb77996d3ae2ff667231ac-Paper-Conference.pdf

「游戲×復雜科學」讀書會

從棋盤上的博弈，到屏幕中的虛擬世界；從概率賭局到人工智能對弈——游戲從來不只是娛樂，它是人類理解復雜性的實驗場。

在簡單規則的反復運行中，秩序如何涌現？在多方互動的策略競爭中，合作如何誕生？在反饋回路與資源循環中，政治與經濟如何生成？當算法接管博弈，Agent開始自主演化，我們是否正在見證“可計算社會”的雛形？

從康威生命游戲的規則宇宙，到 AlphaGo 對圍棋復雜度的突破；從 John Nash 的均衡理論，到 Norbert Wiener 的控制論反饋思想；從演化博弈到多主體建模，從系統動力學到生成式AI——游戲與復雜科學，正在交匯為一門新的認知范式。

集智俱樂部聯合人工智能、AIGC、游戲設計、復雜系統等領域的學者/工程師共同發起，自2026年3月31日起，每周二晚19:30-21:30，邀請來自各領域的研究者與實踐者，共同探索：

· 游戲如何啟發科學？

· 科學如何重塑游戲？

· 而我們是否生活在一個巨型多主體演化系統之中？

詳情請見：

1.

2.

3.

4.

5.

6.

7.