博弈论
Parent: ai_keywords
核心定义
博弈论（Game Theory）是研究多个理性决策者在相互依赖情境下选择策略的数学框架，核心要素包括参与者（players）、策略集（strategies）、收益函数（payoffs）及均衡（equilibrium）。其分析工具（如纳什均衡、囚徒困境、演化稳定策略）被广泛用于解释社会、经济及生物系统中的竞争与合作现象。在人工智能与神经科学交叉领域，博弈论为建模脑内神经元群体间的竞争/协同、以及个体在复杂环境中的决策机制提供了量化计算范式。
关键技术点
- 纳什均衡（Nash Equilibrium）：理性参与者的最优策略组合，无人可通过单方面改变策略提高自身收益。这是博弈分析的基准解，尤其在多体决策问题中用于预测稳定状态。
- 囚徒困境与帕累托最优：揭示个体理性导致集体非理性的困境。神经科学研究中，该模型可用于解释社会认知障碍（如自闭症、额叶损伤）中的合作与信任缺失。
- 演化博弈论（Evolutionary Game Theory）：引入复制动态（Replicator Dynamics）模拟策略在群体中的频率变化，适用于神经元群体可塑性与脑网络拓扑的长期适应过程。
- 逆向归纳与序贯博弈：用于分析多步决策，如迷宫导航、行为序列规划，与强化学习中时序差分学习（Temporal Difference Learning）高度对应。
医学/神经科学应用场景（帕金森病决策障碍）
首都医科大学神经病学团队利用博弈论任务（如最后通牒博弈）探究帕金森病（PD）患者的成本-收益权衡机制。PD患者因黑质多巴胺能神经元变性，导致基底节-丘脑-皮层环路信号失衡，表现为对不公平分配的厌恶度降低（即接受非理性低额条件）。通过构建多巴胺能博弈模型，可将患者行为偏差量化为策略-收益映射的斜率偏移。该模型预测：左旋多巴药物治疗后，患者的不公平厌恶度回归正常，且这与腹侧纹状体（Ventral Striatum）的BOLD信号变化相关。此研究为PD伴冲动控制障碍（如病理性赌博）的早期筛查及神经调控（DBS）靶点优化提供了计算认知层面的量化指标。
