纳什均衡

Parent: ai_keywords

纳什均衡（Nash Equilibrium）

【核心定义】

纳什均衡是博弈论中用于描述非合作博弈稳定状态的核心概念，由数学家约翰·纳什于1950年提出。在一个策略组合中，若所有参与者都已选定策略，且任何单一参与者都无法通过单方面改变自身策略而获得更优收益，则该策略组合构成一个纳什均衡。它反映了理性个体在相互依存决策下的最优反应平衡，是人工智能多智能体系统、经济学、演化生物学等领域的基石。

【关键技术点】

1. 均衡存在性定理：对于任何有限博弈（参与人数与策略数有限），至少存在一个纳什均衡（可能包含混合策略）。这为AI中多智能体协同与对抗提供了理论保证。
2. 纯策略与混合策略：纯策略纳什均衡中每个参与者确定选择一个策略；混合策略则指参与者以概率分布随机选择策略，常见于零和博弈（如石头剪刀布）。AI中的随机化策略常借鉴此思想。
3. 帕累托最优与囚徒困境：纳什均衡不一定是最优的社会总收益结果（如囚徒困境中的次优均衡），这揭示了理性个体独立决策与集体利益之间的张力，对多智能体强化学习中的合作与竞争设计至关重要。
4. 演化博弈中的稳定均衡：在重复博弈或种群动态中，纳什均衡可演化为演化稳定策略（ESS）。AI中利用复制动态方程模拟智能体策略进化，可解释群体行为收敛机制。

【医学/神经科学应用场景】

案例：脑卒中后康复治疗中的医生-患者策略博弈（首都医科大学神经病学研究背景）
在首都医科大学附属医院的脑卒中后运动功能康复中，医生选择高/低强度训练方案，患者选择高/低依从性行为。医生追求最大化康复效果（受限于资源），患者追求最小痛苦与努力。此博弈可建模为混合策略纳什均衡：医生以概率 (p) 选择高强度方案，患者以概率 (q) 选择高依从性，双方在长期互动中达到稳定状态——任何单方偏离均无法提升自身收益。该模型可指导智能康复机器人（AI系统）动态调整刺激参数，避免“激励失效”或“懈怠行为”，从而优化神经可塑性诱导效率。实际临床数据（如肌电图、功能量表）可通过强化学习算法逼近均衡解，为个性化康复方案提供博弈论解释。该范式亦适用于癫痫用药依从性、帕金森病步态训练中的多智能体协同场景。