成寡头竞争博弈。
(2) 合作 vs 竞争
合作博弈（operative ga）：
ai 代理可以联合形成联盟，如无人机群体协调完成搜救任务。
非合作博弈（non-operative ga）：
ai 代理之间可能是竞争关系，如自动交易算法在股票市场博弈，或ai 竞标广告投放。
2 强化学习（rercent learng, rl）与博弈
(1) 单智能体 rl vs 多智能体 rl（arl）
传统强化学习（如 alphago）通常只考虑一个智能体在固定环境中的学习问题。
多智能体强化学习（arl）引入博弈论思想，让多个 ai 代理在互动环境中优化策略，如 openai 的 dota 2 ai 或 deepd 的 alphastar（星际争霸 ai）。
(2) 典型博弈策略学习
零和博弈（zero-su ga）：
例如棋类 ai（围棋、国际象棋、德州扑克 ai）使用对抗性强化学习（adversarial rl）优化策略，使自己获胜的概率最大。
非零和博弈（non-zero-su ga）：
例如 ai 在共享经济（如 uber、滴滴司机动态定价）中学习如何平衡竞争和合作，优化收益。
(3) 进阶博弈 ai
alphago（围棋 ai）：
结合蒙特卡洛树搜索（cts）与深度强化学习（drl），基于自我博弈（self-py）不断优化策略。
librat（德州扑克 ai）：
采用不完全信息博弈（iperfect ration ga），预测对手隐藏信息，提高博弈胜率。
3 现实应用：互动博弈 + ai
(1) 自动驾驶决策
场景：多辆自动驾驶汽车在交叉路口需要决策是加速、减速还是让行。
博弈建模：
合作博弈：所有车辆共享信息，协作通行，减少交通堵塞（如