面对从未接触过的新游戏，人类为何能迅速判断其公平性与趣味性，并做出合理行动？麻省理工学院团队及其合作者在权威科学期刊《自然》上发表的研究，为这一认知现象提供了计算模型解释。他们基于121种双人策略棋盘游戏的大规模行为实验，提出了“直觉玩家”模型，揭示人类在缺乏经验时如何通过快速浅层推理形成决策。
传统游戏推理模型依赖深度搜索与完整推演，而“直觉玩家”模型则强调少量、目标导向的模拟过程。该模型由玩家模块与推理模块构成：前者通过启发式规则评估动作价值，考虑自身目标与对手阻碍，以概率方式选择行动；后者通过调用玩家模块进行自我对弈模拟，推断胜负结果并估计可能性。这种设计模拟了人类在面对新规则时，既不进行复杂计算也不完全随机行动的中间状态。
研究团队招募超千名参与者，设计了涵盖不同棋盘尺寸与规则变体的121种连线类游戏。通过对比“直觉玩家”模型与专家玩家、随机玩家、蒙特卡洛树搜索等替代模型，发现人类决策更接近少量快速模拟而非深度推演。例如在评估游戏公平性时，模型预测与人类判断的相关性达0.81，接近理论上限；当模拟次数控制在5-7次时，模型与人类评估一致性最高。趣味性判断方面，模型结合平衡性、决策质量与游戏长度三项特征，预测准确度接近人类数据上限。
在行动预测任务中，“直觉玩家”模型展现出显著优势。针对新手玩家首次游戏的收益解释度达0.72，在40个新游戏中对32个游戏的行动概率分布解释超过50%。当参与者观看游戏视频预测下一步时，该模型与人类预测的TVD差异较专家模型缩小0.15，较随机模型缩小0.09。典型案例显示，人类常同时考虑多个可行走法，而专家模型可能过度聚焦高收益但不直观的选项，或因判断必败而分散预测。
模型还成功应用于分析玩家持续游戏意愿。通过整合期望收益、预期成本与趣味性等特征，预测模型对83次接受平局请求与59次拒绝请求的分类准确度较高。当移除模型中的评估函数时，拟合效果明显下降，验证了其有效性。
尽管“直觉玩家”模型在解释人类新手推理方面表现突出，研究者指出其仍存在局限性。当前研究主要聚焦双人竞争性棋盘游戏，未来需验证模型在围棋、国际象棋等复杂游戏或多智能体场景中的适用性。模型尚缺乏对个体差异的细致解释，例如不同参与者是否提前终止模拟、模拟过程如何相互影响等。模型未能说明人类如何更新判断规则，以及经验迁移、风险偏好等因素对推理的影响。在游戏创造领域，模型尚未涉及人类设计或修改规则的认知机制，这些方向有待进一步探索。
