摘要

实验 0226 证明，在完整竞技场（双方英雄、七兵种、法术、宝物）里让 AI 在开局挑一个手写整局战术行不通——两个固定战术大多比基线差。本实验把学习粒度放细：每一步都给完整合法菜单里的每个动作（攻击、移动、等待、英雄施法、单位技能……）算 16 个公开特征，用一组参数打分，只在分数明显高于基线动作时才改选。参数用 CEM（Cross-Entropy Method，交叉熵方法：每代采样一批参数各打完整对局，取最好的几组更新采样分布）按整局胜负搜索。

学习确实发生了：3 次分布更新、808 局对局、零正确性故障。冻结的最终参数在 16 个训练来源上来源差 +.125（4 改善 0 退化），训练门槛通过；但在 8 个独立开发来源上来源差 0、0 改善，开发门槛失败，关闭，12 个保留来源未开。

要回答的问题

一个低维、只用公开信息的动作级偏好，能否通过整局胜负搜索，在完整竞技场里稳定超过基线 AI F（Fair：只用玩家可见信息的搜索 AI），并且在新来源上依然有效？

方法

特征（16 维）。 5 个动作类型指示（攻击含英雄攻击、移动、等待、施法、单位/英雄技能；“跳过”作为全零参照）；5 组“数值 + 是否已知”：所选敌人是否射手、公开主伤害占目标生命比例、可能暴露于可见普通反击、离最近可见敌人的距离变化 / 20、基础法力成本占己方当前法力比例；最后 1 维是否延续已提交的敌方目标。标量裁剪到 [−1, 1]；未知用“0 + 已知 = 0”表示，区别于“已知为零”。

这些特征有明确边界：主伤害只用公开规则给出的平均估计（不含所有隐藏修正）；反击只描述“可能暴露”，不是反击伤害或概率；法力是规则基础费用，不是实际扣费。

打分与改选。 动作分 = θ ·（该动作特征 − F 动作特征）；只有严格超过 0.25 才改选。全零参数严格等于 F。最终改选仍服从 F 公开的可选集合保护（保留有益的零消耗动作等）。线上不额外展开任何模拟。

搜索。 3 代 × 每代 8 行参数，均值零、初始标准差 .35，取前 2 名更新，标准差下限 .05；每代第一行保留历史最佳，所以 24 行里有重复，不是 24 个不同候选。

设置（冻结的条件）

  • 来源（一套固定的双方选秀构筑与开局随机种子）：36 个新来源，16 训练 / 8 开发 / 12 保留；排除 375 份旧蓝图、275 个旧来源族。
  • 训练：每行参数在 16 个来源 × 双方控制下对 F 打 32 局，加 16 局同期 F/F 基线。
  • 门槛：训练来源均差 ≥ +.125 且 ≥ 4 个来源改善；开发 ≥ +.125 且 ≥ 2 改善；保留 ≥ +.10 且 ≥ 3 改善；各阶段已知终局 ≥ 95%、零正确性故障。任何门槛失败即关闭，不加第 17 个参数、不加第 4 代、不改 0.25。
  • 20 完整回合未决或只剩临时生物双输，双方各 0 分。CPU 8 核低优先级，无 GPU。

事前只读兼容检查：在 0226 的 8 局 F/F 共 676 步、85,660 个菜单动作向量上，零参数全部等同真实 F 的选择，覆盖 14 类合法菜单。

结果

单次运行 2884.224497 秒；808 局全部开始并导出：798 局自然终局、10 局回合上限双输；零正确性故障，未重试、未补赛。

阶段 来源差（保守下界/上界） 改善/退化来源 已知终局 要求 结论
训练 +.125 / +.125 4 / 0 100% ≥ +.125 / ≥ 4 通过
开发 0 / 0 0 / 0 100% ≥ +.125 / ≥ 2 失败
保留 — — — ≥ +.10 / ≥ 3 未开始

24 行参数（节选）： 第 0 代最佳仍是全零（差 0），其余 7 行从 −.468750 到 −.031250 全部更差；第 1 代出现 +.125 的一行（4 改善 0 退化）；第 2 代保留它（g2-p00）作为最终冻结参数，同代其他行在 −.40625 到 +.0625 之间。完整 24 行和每代分布都可由参数审计重建。

逐侧复核（事后只读）： 最终参数训练 32 个控制方向 20 胜 12 负，同期 F 16 胜 16 负；7 侧改善、3 侧退化、22 侧相同——有 3 个来源是一侧改善抵消另一侧退化，所以“0 退化来源”不等于没有退化对局。开发 16 个控制方向双方都是 8 胜 8 负，16 侧结果全部相同，尽管候选在开发中实际改选了 461 次。

所有探索候选合计实际改选 26,463 次，以等待（10,678）、攻击（4,645）、跳过、英雄攻击、施法为主；这不等于最终策略的收益，也不能推出“学会了合理施法”。

两个训练集配对例子（整场策略比较，首分歧只是描述）： 一个来源蓝方由负转胜，首分歧在第 1 步，F 施放一个先手法术，候选改为对敌方弩手施放审判；另一个来源蓝方由胜转负，前 6 步一致，第 7 步 F 让单位普通攻击，候选改为英雄攻击另一目标。

正确性：72 个初态、85,666 个转移、808 个终局、48,311 个策略回执和隐藏随机数检查全部一致；64 项软件检查通过。808 局回放全部导入（86,474 帧、1,270,027 个兵数、172,948 个英雄帧逐项核对），桌面与手机宽度 7 组交互检查通过。8 进程并行下 85,666 次选择最大 .618470 秒，这是有争用的离线观察，不是线上延迟。

失败与负结果

  • 开发门槛失败：训练改善没有泛化到新来源。CEM 确实执行了 3 次更新，这区别于 0225/0226 的零更新准入失败。
  • 几次辅助失败只影响工具，不影响正式结果：来源规划脚本首次缺导入路径（零来源生成），静态检查首次排版问题，资源采样脚本首次括号错误，浏览器验收首次 30 秒载入超时（同网址诊断 1.276 秒正常，根因未证实，补进度捕获后通过）。

局限

  • 来源泛化不足、人工特征缺乏时序和配合表达、搜索预算有限、稀疏奖励或过拟合都是未验证的解释；没有做逐项消融，不能选定唯一根因，更不能判定所有 CEM 或低维策略都无效。
  • 公开伤害、反击暴露、基础法力等特征的限制保留；零故障不代表商业游戏规则全部准确。
  • 实验在共享工作区运行，单个提交号不是完整源码快照。

结论与下一步

在完整竞技场里，动作级参数搜索能在训练来源上找到小幅改善，但这种改善在独立开发来源上完全消失。关闭 0227，不启用新的默认 AI，已开的开发来源不再用于下一方案调参。下一个方向——“等待一步、下次行动再接敌”的两行动计划——先只做接口可行性核对（见实验 0050），不再继续调本实验参数。