基于智能体的黑手党游戏中累积嫌疑与吸收动力学

📊 论文图表(共 7 张)

展开查看 7 张图

‹ ›

TL;DR

这篇论文为黑手党游戏（狼人杀）构建了一个基于智能体的数学模型，将投票机制从传统的均匀随机改为基于累积嫌疑分的概率淘汰。通过大规模蒙特卡洛模拟，论文发现了黑手党灭绝概率的标度律 $F(\tau )\sim (\tau /N{)}^{N_m}$，以及一个刻画有限尺寸效应的交叉标度 $N_c$，并系统研究了全知侦探角色对游戏动态的深刻影响。

研究背景与动机

黑手党游戏，或者说更为大众所熟知的“狼人杀”，本质上是一种经典的隐藏角色博弈。在这类游戏中，一小群身份保密的协同少数派（黑手党）需要隐藏自己的真实身份，而占多数的善人阵营则必须通过投票逐步识别并淘汰这些隐藏的威胁。这种不对称的对抗结构使得隐藏角色博弈成为研究信息不对称下群体决策的绝佳范式。

然而，长期以来，无论是学术研究还是实际游戏模拟，投票过程通常被过度简化——绝大多数模型将白天的投票行为处理为均匀随机选择，即每个存活的玩家被淘汰的概率完全相等。这种简化虽然便于数学推导，却严重偏离了真实游戏的动态特征。在实际游戏中，玩家会根据他人的发言、过往的行为记录以及对局势的判断，逐步累积对特定玩家的“怀疑值”，这种历史依赖的指控信息会直接影响后续的投票倾向。换句话说，现实中的淘汰决策并非独立于游戏史的独立事件，而是对整个游戏过程中所有指控信息的系统性响应。

正是这种微观层面的历史依赖与宏观层面的最终结局（吸收态）之间的联系，构成了这篇论文的核心研究动机。论文试图在微观指控历史与宏观吸收统计之间搭建一座“最小桥梁”，通过一个简洁而忠实的模型来捕捉隐藏角色博弈的核心动力学。

方法

论文构建的模型从两个关键设计出发，区别于直觉上的简单做法。首先，模型放弃了传统的均匀随机投票机制，转而引入嫌疑分（suspicion score）这一核心变量。每个玩家在整个游戏过程中都拥有一个持续累积的嫌疑分，这个分数会随着其他玩家对其的指控而增加，但不会因为被证明无辜而清零——这是一个不可逆的记忆机制，忠实刻画了“一旦被怀疑过，就始终存在嫌疑”的直觉。

其次，淘汰机制被设计为概率性的而非确定性的。在每个投票回合中，系统会随机选取一对玩家进行配对交互，其中一方的发言（由其角色决定）会修改另一方的嫌疑分。随后，所有存活的玩家中嫌疑分最高者会以正比于其累积嫌疑的概率被淘汰，而非被完全确定地选出。这种概率化处理避免了模型对极端情况的过度敏感，同时也更贴近真实投票中存在的随机性与不确定性。

整个游戏动态可以描述为一个随机过程：白天阶段通过随机配对交互更新嫌疑分，随后以概率化的方式执行淘汰；夜晚阶段黑手党秘密淘汰一名善人。这个过程循环往复，直到游戏到达两个可能的吸收态之一——要么黑手党被完全消灭，要么黑手党与善人阵营的人数持平（此时善人已无法通过投票优势获胜）。

论文的核心分析工具是蒙特卡洛模拟，并辅以“随机执行近似”这一理论近似技术。这一近似假设在稀释条件下（黑手党人数远小于总人数），每次淘汰事件中选中黑手党成员的概率近似为 $N_m/N$，从而可以推导解析形式的标度关系。

实验与结果

论文通过大规模的计算模拟，系统探索了三个维度的参数空间：人口规模 $N$、初始黑手党人数 $N_m$，以及是否引入完全知情的侦探角色。

在没有侦探的基础设定下，模拟结果与随机执行近似的理论预测高度吻合。在黑手党稀疏且游戏早期的稀释条件下，黑手党灭绝的累积概率表现出明确的标度律：

其中 $\tau$ 表示已执行的投票轮数。这一结果表明，黑手党灭绝概率随游戏进程的增长速度高度依赖于初始黑手党规模——$N_m$ 越大，灭绝概率增长越快，直觉上这对应着更多黑手党意味着更多暴露风险。

更值得注意的是，研究者发现胜率曲线存在一个有限尺寸交叉标度 $N_c$。当用 $N_c$ 对人口规模进行重缩放后，不同初始黑手党人数下获得的胜率曲线能够近乎完美地塌缩（collapse）到一起。这暗示尽管游戏的微观动态复杂多变，但在足够高的抽象层次上，存在一个普适的临界尺度支配着从“黑手党主导”向“善人主导”的转变。

当引入全知侦探这一角色时，情况发生了显著变化。侦探在夜晚可以验证任意玩家的身份，并始终在白天指控黑手党成员，其存在大幅缩短了黑手党的平均存活时间。更关键的是，侦探的引入打破了原有的单参数重缩放规律——胜率曲线现在还依赖于善人与黑手党的构成比例，单一标度 $N_c$ 不再足以描述不同条件下的动态。这说明侦探角色不仅改变了游戏的节奏，还引入了额外的自由度，改变了整个动力学格局。

讨论与可借鉴点

这篇论文为隐藏角色博弈提供了一个优雅且具有强解释力的数学框架，其核心贡献在于将历史依赖的微观决策与可观测的宏观结局通过嫌疑分这一单一变量桥接起来。标度律 $F(\tau )\sim (\tau /N{)}^{N_m}$ 的发现尤其具有洞察力——它揭示了黑手党规模在决定灭绝动力学中的指数级作用，解释了为何在真实游戏中增加黑手党人数会不成比例地增加其暴露风险。

然而，模型也存在明显的局限。首先，随机配对交互是对真实讨论过程的极度简化，真实的言语博弈涉及更复杂的策略层级和联盟动态。其次，模型忽略了玩家身份认知的动态更新——在真实游戏中，玩家对他人的怀疑程度会随着局势演变而重新调整，而非仅做单向累积。此外，论文的解析结果依赖于稀释近似，在黑手党人数较多时理论预测的准确性有待检验。

对于更广泛的研究社区而言，这项工作提供了一个可借鉴的范式：当研究涉及历史依赖的群体决策时，关键在于识别那些持久化且可测量的中间变量（如嫌疑分），它们往往是连接微观机制与宏观现象的桥梁。论文中蒙特卡洛模拟与解析近似相结合的方法论，以及有限尺寸交叉标度的经验发现技术，对于分析其他具有吸收态的随机过程同样具有参考价值。

摘要

黑手党游戏，也被称为狼人杀，描述了一个由身份隐蔽的协同少数派与一个主要由不知情平民组成的较大善人阵营之间的竞争，后者试图识别并消灭前者。我们引入一种基于智能体的形式化建模，其中白天决策不再用均匀随机投票来表示，而是随机配对的智能体根据其角色修改特定玩家的公开嫌疑分数，随后一名存活的玩家以与其累积嫌疑成正比的概率被淘汰。这些分数在整个游戏过程中持续存在，产生了一个历史依赖的随机过程，具有两个相互竞争的吸收结局：黑手党被消灭，或黑手党与善人阵营的人数持平。我们通过大量蒙特卡洛模拟，研究了人口规模、初始黑手党规模以及完全知情侦探的存在所带来的影响。在不存在侦探的情况下，随机执行近似预测：在黑手党稀疏与早期阶段，黑手党灭绝的累积概率表现为 $F(\tau )\sim (\tau /N{)}^{N_m}$，与 $N_m/N$ 减小时的模拟结果一致。胜率曲线也表现出由一个人口规模 $N_c$ 表征的经验有限尺寸交叉。用 $N_c$ 对人口进行重缩放，可以近似地将不同初始黑手党人数下获得的曲线合并。完全知情的侦探大幅缩短黑手党存活时间，并引入对人口构成的额外依赖，这使得同一单参数重缩放已不再充分。该模型在隐藏角色游戏的微观指控历史与宏观吸收统计之间提供了一个极简的联系。

Abstract

The Mafia game, also known as Werewolf, describes a competition between a coordinated minority whose identities are concealed and a larger good faction composed primarily of uninformed civilians attempting to identify and eliminate them. We introduce an agent-based formulation in which the daytime decision is not represented by uniform random voting. Instead, randomly paired agents modify player-specific public suspicion scores according to their roles, and one surviving player is subsequently eliminated with probability proportional to their accumulated suspicion. These scores persist throughout the game, producing a history-dependent stochastic process with two competing absorbing outcomes: elimination of the mafia or numerical parity between the mafia and the good faction. We investigate the effects of population size, initial mafia size, and the presence of perfectly informed detectives through extensive Monte Carlo simulations. In the absence of detectives, a random-execution approximation predicts that, in the dilute-mafia and early-time regime, the cumulative probability of mafia extinction behaves as $F(\tau )\sim (\tau /N{)}^{N_m}$, in agreement with simulations as $N_m/N$ decreases. The winning-probability curves also exhibit an empirical finite-size crossover characterized by a population scale $N_c$. Rescaling the population by $N_c$ approximately collapses the curves obtained for different initial mafia populations. Perfectly informed detectives substantially shorten mafia-survival times and introduce an additional dependence on population composition for which the same one-parameter rescaling is insufficient. The model provides a minimal connection between microscopic histories of accusation and the macroscopic absorption statistics of hidden-role games.