# Poker、卡牌遊戲與 Human–AI Hybrid：從 Bot、Solver、RTA 到決策來源危機 ## Poker, Card Games, and Human–AI Hybrids: From Bots and Solvers to Real-Time Assistance and the Crisis of Decision Provenance **Series:** AI Game Intelligence, Randomness, and Adaptive Markets **Paper 06** **Version:** v0.1 **Date:** 2026-09-02 **Author:** Neo.K with Aletheia（GPT-5.6 Sol） **Institution:** EveMissLab／一言諾科技有限公司 --- ## 摘要 Poker 與策略卡牌遊戲標誌著本系列的一次根本轉折。 在輪盤、老虎機與大量莊家制遊戲中，人工智慧面對的主要問題是隨機生成機制、固定賠付結構與制度允許邊界；在 Poker 類不完全資訊策略遊戲中，玩家面對的則是另一個會觀察、推斷、欺騙、調整與學習的智能體。 因此，問題從： $$ \text{Player vs Mechanism} $$ 轉變為： $$ \boxed{ \text{Intelligence vs Intelligence}. } $$ Poker AI 的歷史已證明，這類遊戲中人工智慧可以形成超越頂尖人類的策略能力。Libratus 在雙人無限注德州撲克中擊敗頂尖職業玩家；Pluribus 隨後在六人無限注德州撲克中達成超人類表現。這表示「AI 是否可以在 Poker 中顯著改善策略品質」早已不是理論問題。 真正的新問題是：當這種能力從研究環境進入真實線上遊戲，平台如何區分合法學習與即時外部決策？ 本文建立以下演化鏈： $$ \boxed{ \text{Bot} \rightarrow \text{Solver} \rightarrow \text{RTA} \rightarrow \text{Human--AI Hybrid} \rightarrow \text{Decision Provenance}. } $$ 早期 bot 直接替玩家執行動作，因此可以透過滑鼠、時間、程序與自動化行為辨識。Solver 時代則使玩家可以在遊戲外研究近似均衡策略。Real-Time Assistance 進一步把 solver 帶進即時決策週期。生成式 AI、vision model 與第二裝置又使問題更困難：玩家本人可能仍在操作 client，但實際決策可能由另一個模型產生。 因此： $$ \boxed{ \text{Human Action} \not\Rightarrow \text{Human-Generated Decision}. } $$ 本文將「誰執行動作」與「誰生成決策」正式分離，提出： $$ \boxed{ \text{Action Provenance} } $$ 與： $$ \boxed{ \text{Decision Provenance}. } $$ 現代線上 Poker 平台也正在從單純抓自動 bot，演化為多層 Game Integrity。PokerStars 的現行規則禁止 bot、AI 即時建議、進階 equity、ICM 與 Nash-equilibrium 類即時工具；GGPoker 2026 年政策則明確禁止 RTA、AI bot、solver、chart、HUD、remote-access tool、virtual machine 等多種可能提供不公平即時輔助的工具。PokerStars 亦公開表示其 Game Integrity 系統會分析數以千億計手牌與玩家策略／行為特徵，而 GGPoker 已與 GTO Wizard 合作，利用 Fair Play Check 與策略接近度分析輔助偵測 RTA。 因此，反作弊也出現對稱演化： $$ \boxed{ \text{AI for Play} \rightarrow \text{AI for Detection}. } $$ 本文最後將這一問題延伸到 Hearthstone、MTG Arena 與其他策略卡牌遊戲。這些遊戲雖不一定直接涉及每局金錢輸贏，但 bot、帳戶 farming、即時建議、資料不對稱與 matchmaking manipulation 仍會破壞競技公平。平台的反制也開始從單純封號，擴張到改變 matchmaking topology，使特定極端行為彼此匹配。 本文不提供 RTA、bot、自動遊戲、第二裝置輔助、反偵測或規避平台安全機制的實作方法。本篇研究的是策略智能、決策來源、公平競技與反 AI 治理。 --- # 1. 從 Paper 05 跨入 Intelligence vs Intelligence Paper 05 的莊家制遊戲主要可寫成： $$ \pi^* = \arg\max_{\pi\in\Pi} E[R\mid G,S,P]. $$ 其中規則： $$ G $$ 大致由營運者固定。 Poker 則不同。 對手策略： $$ \pi_{-i} $$ 本身也是環境的一部分。 因此玩家 $i$ 的效用： $$ U_i = U_i( \pi_i, \pi_{-i}, S ). $$ 最佳策略不只依賴牌面，還依賴其他智能體如何行動。 --- # 2. Poker 是不完全資訊博弈 在 Poker 中，每個玩家只看到自己的資訊集合： $$ I_i. $$ 但完整世界狀態： $$ S $$ 包含其他玩家的 hole cards。 因此： $$ I_i\subset S. $$ 玩家必須根據： $$ I_i $$ 推測： $$ P(S\mid I_i). $$ 這與完整資訊棋類有根本差異。 --- # 3. 策略不是單一答案 Poker 策略可寫為： $$ \pi_i(a\mid I_i). $$ 其中： $$ a\in A(I_i). $$ 合理策略往往不是： > 這裡一定下注。 而是： $$ P(\text{bet})=p_1, $$ $$ P(\text{check})=p_2, $$ $$ P(\text{raise})=p_3. $$ 即混合策略。 --- # 4. 不可預測性本身成為策略資產 如果玩家在某狀態： $$ I $$ 永遠採取同一動作， 對手可以更新： $$ P(H\mid a,I) $$ 並利用其規律。 因此 Poker 智能不只是： $$ \text{find best move}, $$ 而包含： $$ \boxed{ \text{maintain strategically appropriate uncertainty}. } $$ 這也是 AI 在 Poker 中具有巨大優勢的一個原因：它可以更一致地執行複雜 mixed strategy。 --- # 5. AI Poker 已經證明可以達到超人類策略能力 2017 年 Libratus 在雙人無限注 Texas Hold'em 中擊敗四名頂尖職業玩家。 2019 年 Carnegie Mellon University 與 Facebook AI 共同開發的 Pluribus 進一步在六人無限注 Texas Hold'em 中擊敗多名頂尖職業玩家。 因此： $$ \boxed{ \text{AI strategic superiority in poker is empirically established}. } $$ 真正剩下的問題不是： > AI 會不會玩？ 而是： > AI 在什麼時候被允許參與？ --- # 6. Pluribus 的理論意義 Pluribus 的突破不只是算得更快。 它需要在多人、不完全資訊、非零和近似、對手策略多樣的環境中行動。 這使 Poker 成為 AI strategic reasoning 的代表性問題之一。 因此： $$ \boxed{ \text{Poker AI} } $$ 不應被理解成單純機率計算器。 它是一種： $$ \boxed{ \text{belief modelling} + \text{counterfactual reasoning} + \text{strategic randomization} + \text{adaptation}. } $$ --- # 7. Poker AI 的第一個合法場域：離線學習 如果一名玩家在牌局結束後把自己的 hand history 交給 solver 或 AI： $$ H_{\mathrm{past}} \rightarrow \text{analysis}, $$ 並用它改善未來能力， 這可理解為： $$ \boxed{ \text{training assistance}. } $$ 它和讀書、找教練、看錄影具有相似功能。 --- # 8. Training Assistance 與 Real-Time Assistance 真正的界線在時間。 離線： $$ t_{\mathrm{advice}}>t_{\mathrm{decision}}. $$ 即時： $$ t_{\mathrm{advice}}\leq t_{\mathrm{decision}}. $$ 若外部系統在當前 hand 還可被影響時提供具體策略建議，就進入： $$ \boxed{ \text{Real-Time Assistance}. } $$ --- # 9. 為什麼 RTA 特別具有破壞性 一個人類玩家原本具有能力上限： $$ C_H. $$ 外部 AI 的能力： $$ C_A. $$ 若即時把： $$ C_A $$ 接入每個 decision point， 有效決策能力可能變成： $$ C_{\mathrm{hybrid}} > C_H. $$ 因此平台上的 account identity： $$ \text{Account}=\text{Human} $$ 不再代表： $$ \text{Decision System}=\text{Human}. $$ --- # 10. 第一階段：Fully Automated Bot 早期 bot 可以抽象為： $$ S_t \rightarrow M \rightarrow a_t. $$ 人類不需要參與。 因此： $$ \boxed{ \text{decision generation} = \text{machine}, } $$ 且： $$ \boxed{ \text{action execution} = \text{machine}. } $$ 這是最容易理解的作弊類型。 --- # 11. Fully Automated Bot 的傳統痕跡 早期平台可以觀察： - mouse trajectory； - click behaviour； - response timing； - session duration； - repetitive patterns； - identical strategies； - software processes。 PokerStars 回顧其早期 bot detection 時表示，平台曾利用只有人類滑鼠操作會出現的行為差異辨認 fully automated bots。 因此早期 anti-bot 可以主要依賴： $$ D_{\mathrm{device}} + D_{\mathrm{timing}} + D_{\mathrm{execution}}. $$ --- # 12. 第二階段：Solver Solver 不需要替玩家操作。 它只需要回答： $$ \pi^*(a\mid I). $$ 玩家可以： 1. 在遊戲外建立解； 2. 研究 range； 3. 學習 bet sizing； 4. 改善策略。 只要不在牌局進行中直接提供即時決策，這類工具在不同平台通常具有較寬鬆的合法或允許空間。 --- # 13. Solver 改變了「人類最佳玩法」本身 當頂尖玩家使用 solver 學習： $$ \pi^*, $$ 人類 meta 會逐漸： $$ \pi_H \rightarrow \pi_{\mathrm{solver-informed}}. $$ 因此 AI 即使沒有出現在正式比賽時， 仍然改變了： $$ \boxed{ \text{human strategic baseline}. } $$ 這與 Paper 03 的 AI market efficiency 類似。 --- # 14. AI 外部化成文化 一旦 solver 策略被： - 教學； - 影片； - chart； - coaching； - community； 吸收， 原本的： $$ \text{machine knowledge} $$ 會轉化為： $$ \boxed{ \text{human strategic culture}. } $$ 因此不能把「使用 AI 學習」與「AI 即時替你決策」混為一談。 --- # 15. 第三階段：Push-This-Button Bot PokerStars 使用 PTBB 一詞描述： $$ \boxed{ \text{machine decides} + \text{human executes}. } $$ 可寫成： $$ S_t \rightarrow M \rightarrow a_t^* \rightarrow H \rightarrow \text{click}. $$ 最後滑鼠確實是人按的。 但： $$ \boxed{ \text{decision origin} = \text{machine}. } $$ --- # 16. PTBB 揭露 Action 與 Decision 的分裂 設： $$ A_P = \text{Action Provenance}, $$ $$ D_P = \text{Decision Provenance}. $$ 對一般人類： $$ A_P=H, $$ $$ D_P=H. $$ 對 fully automated bot： $$ A_P=M, $$ $$ D_P=M. $$ 對 PTBB： $$ A_P=H, $$ 但： $$ D_P=M. $$ 這就是本篇最重要的新分類。 --- # 17. 第四階段：Real-Time Assistance RTA 比 PTBB 更廣。 外部系統不一定直接輸出： > Raise. 它也可能提供： - range； - recommended frequency； - equity； - ICM； - Nash-equilibrium analysis； - situation-specific chart。 只要資訊是針對當前 game state，並在決策仍可修改時提供，就可能影響 decision provenance。 --- # 18. PokerStars 的現行規則 PokerStars 現行第三方工具政策禁止： - 無人介入 bot； - 降低人類決策需求的工具； - 即時讀取 game state 並建議行動的工具； - hole-card sharing； - datamining； - 遊戲進行中使用進階 equity、ICM 或 Nash-equilibrium 類工具。 PokerStars 也明確表示，真人必須自己決定動作以及下注／加注的相對大小。 因此平台的規則核心已不是： $$ \boxed{ \text{human physically clicks}. } $$ 而是： $$ \boxed{ \text{human must make the decision}. } $$ --- # 19. GGPoker 的 2026 RTA 定義 GGPoker 2026 年 Security & Ecology Policy 定義 RTA 為任何： $$ \boxed{ \text{external assistance} } $$ 只要其： - 提供不公平優勢； - 即時影響決策； - 使玩家能做到原本無法自行複製的玩法； 都可能落入 RTA。 政策甚至明確寫： $$ \boxed{ \text{Every decision at the table should be free of external assistance}. } $$ --- # 20. GGPoker 的 Bot 定義也包含 AI 現行政策將 bot 定義為： - software； - program； - website； - app； 只要它可以： $$ \text{play without human intervention} $$ 或： $$ \text{reduce the requirement of human decision/action}. $$ 並明確包含： $$ \boxed{ \text{artificial intelligence} } $$ 以及 fully / partially automated bots。 --- # 21. 現代平台開始禁止「輔助環境」 GGPoker 2026 政策除 RTA 與 bots 外，也禁止多類可能改變即時公平性的工具，包括： - solver； - chart； - HUD； - automated note-taking； - remote-access software； - virtual machine； - emulator； - location-masking tools； - game-data extraction tool。 這反映平台已不再只防一個叫做： $$ \text{bot.exe} $$ 的程式。 而是在治理： $$ \boxed{ \text{decision-support environment}. } $$ --- # 22. 第五階段：Human--AI Hybrid 生成式 AI 使決策輔助更自然。 不再需要專門 Poker solver interface。 一般模型可能具備： - vision； - natural-language reasoning； - tool use； - memory； - voice output。 因此： $$ \boxed{ \text{general AI} } $$ 本身就可能成為一個 strategy interface。 --- # 23. Human--AI Hybrid 不一定自動化 系統可能： $$ \text{observe} \rightarrow \text{reason} \rightarrow \text{suggest}, $$ 而人： $$ \text{accept/reject} \rightarrow \text{act}. $$ 所以： $$ \boxed{ \text{human remains in the loop} } $$ 並不足以證明公平。 因為 human-in-the-loop 可以只是： $$ \boxed{ \text{execution relay}. } $$ --- # 24. Decision Contribution 是連續量 真實 Human--AI hybrid 不一定只有： $$ 0\% $$ 或： $$ 100\% $$ 機器決策。 可以定義概念上的： $$ \alpha_A\in[0,1] $$ 表示 AI 對最終策略決策的貢獻程度。 則： $$ D = F( D_H, D_A, \alpha_A ). $$ 問題是： $$ \boxed{ \alpha_A } $$ 在外部通常不可直接觀測。 --- # 25. Assistance Continuum 本文提出六級分類： ### H0 — Human Only $$ D_P=H. $$ ### H1 — Pre-Game AI Training AI 只在正式遊戲之前提供一般訓練。 ### H2 — Static In-Game Reference 遊戲時使用固定、不讀取當前 state 的參考資料。 其是否允許取決於平台規則。 ### H3 — State-Aware RTA AI 讀取當前狀態並提供即時建議。 ### H4 — Human-Executed Machine Decision AI 決定具體行動，人只負責執行。 ### H5 — Fully Automated Bot AI 同時決策與執行。 這個 continuum 比「人類／bot」二分更符合 AI 時代。 --- # 26. 第二裝置問題 假設 Poker client 運行在： $$ D_1. $$ 外部 AI 運行在： $$ D_2. $$ 兩者沒有軟體連線。 例如： $$ D_2 $$ 只透過外部感測取得畫面資訊。 此時： $$ \boxed{ \text{client-side process scan} } $$ 可能完全看不到： $$ D_2. $$ 這就是： $$ \boxed{ \text{Second-Device Problem}. } $$ --- # 27. 第二裝置問題不是某個特定作弊工具 它是一個更一般的系統原理： $$ \boxed{ \text{Decision computation can be physically decoupled from action execution}. } $$ 只要： $$ \text{observation channel} $$ 與： $$ \text{advice channel} $$ 存在， 運算設備不必和 client 位於同一台機器。 --- # 28. 這使 Process Detection 不再充分 傳統： $$ D_{\mathrm{process}} $$ 可能檢查： - 程序； - DLL； - memory； - window； - known solver。 第二裝置存在時： $$ D_{\mathrm{process}}\approx0 $$ 並不意味： $$ P(\mathrm{RTA})=0. $$ 因此： $$ \boxed{ \text{absence of local tool evidence} \not\Rightarrow \text{absence of external decision assistance}. } $$ --- # 29. 平台因此必須轉向 Behaviour 現代反作弊逐漸研究： $$ \pi_{\mathrm{player}}(a\mid I). $$ 如果它在大量罕見決策點上突然異常接近： $$ \pi^*(a\mid I), $$ 可能提高： $$ P(\mathrm{RTA}\mid D). $$ 但這仍然不能單獨構成證明。 --- # 30. 為什麼不能「玩得太好就封」 因為真正頂尖玩家本來就可能： $$ D( \pi_H, \pi^* ) \ll1. $$ 而 solver culture 又會使人類策略逐年接近 equilibrium-informed play。 因此： $$ \boxed{ \text{strategy optimality} \neq \text{proof of machine assistance}. } $$ --- # 31. False Positive 問題 若平台只以： $$ D(\pi,\pi^*)<\tau $$ 判定作弊， 頂尖玩家會有： $$ P(\text{false positive}) $$ 問題。 因此 anti-RTA 必須使用多證據融合。 --- # 32. Modern Integrity Evidence Stack 本文提出： $$ \boxed{ E= ( E_{\mathrm{device}}, E_{\mathrm{timing}}, E_{\mathrm{strategy}}, E_{\mathrm{behaviour}}, E_{\mathrm{graph}}, E_{\mathrm{external}}, E_{\mathrm{human}} ). } $$ 任何單一維度都不應理想化為完美 detector。 --- # 33. Device Evidence 包括平台依法與依條款可觀察的： - running tools； - remote-access state； - VM / emulator； - known prohibited software。 其優點是直接。 缺點是第二裝置可能繞開這一層。 --- # 34. Timing Evidence 對某些外部查詢系統，玩家可能呈現： $$ T_{\mathrm{response}} $$ 與問題複雜度異常相關。 但： $$ \boxed{ \text{slow decision} \neq \text{RTA}. } $$ 正常人也會思考。 因此 timing 只能作為聯合證據。 --- # 35. Strategy Evidence 分析： $$ D( \pi_{\mathrm{player}}, \pi^* ). $$ 不只看整體 EV loss， 還可以研究： - rare spots； - mixed-frequency accuracy； - unusual bet sizes； - obscure lines。 真正可疑的可能不是： $$ \text{high skill}, $$ 而是： $$ \boxed{ \text{skill profile inconsistent with the player's own historical manifold}. } $$ --- # 36. Behavioural Baseline 設玩家過往分布： $$ \pi_i^{(0)}. $$ 目前時間窗口： $$ \pi_i^{(1)}. $$ 定義： $$ \Delta_i = D( \pi_i^{(1)}, \pi_i^{(0)} ). $$ 若： $$ \Delta_i\gg0, $$ 只表示： $$ \boxed{ \text{behavioural regime change}. } $$ 仍需要解釋原因。 --- # 37. Cognitive Regime Shift 一名玩家可能因： - coaching； - study； - fatigue； - tilt； - game selection； - legitimate improvement； 而改變策略。 因此： $$ \boxed{ \text{behavioural discontinuity} \neq \text{machine substitution}. } $$ 這也是 Cognitive Forensics 必須非常保守的原因。 --- # 38. Graph Evidence 多人 Poker 還有： $$ \text{collusion}. $$ 因此平台可建立： $$ G=(V,E) $$ 其中節點可能是： - accounts； - devices； - locations； - financial relations； - repeated tables。 邊： $$ E_{ij} $$ 表示可疑相關。 這與單一 RTA 問題不同，但可以聯合出現。 --- # 39. External Evidence 2025 年 GGPoker 與 GTO Wizard 的合作代表一個新方向： $$ \boxed{ \text{Poker Platform} + \text{Solver Provider} } $$ 共同處理 Game Integrity。 GGPoker 公開表示，利用 GTO Wizard 的 game-integrity services，封鎖了： $$ 31 $$ 個違反 fair-play rule 的帳號。 這是一個重要制度轉折。 --- # 40. Fair Play Check GTO Wizard 的 Fair Play Check 可以驗證： $$ \boxed{ \text{a particular board} } $$ 是否在指定時間範圍內曾於其服務被 solve。 因此可以把： $$ t_{\mathrm{hand}} $$ 與： $$ t_{\mathrm{solver}} $$ 進行證據對照。 這不是普遍監控所有外部 AI 的萬能方法，但它展示： $$ \boxed{ \text{external computation can itself leave provenance evidence}. } $$ --- # 41. Solver Provider 也開始成為 Integrity Infrastructure GTO Wizard 的 Game Integrity 服務還提供： - Fair Play Check automation； - GTO reports； - superhuman-play detection； - player strategy 與 optimal strategy closeness assessment。 這代表原本提供： $$ \text{strategy intelligence} $$ 的公司，也開始提供： $$ \boxed{ \text{strategy provenance evidence}. } $$ --- # 42. AI 防 AI 因此出現一個對稱結構： $$ \boxed{ M_{\mathrm{play}} \leftrightarrow M_{\mathrm{detect}}. } $$ 攻擊端： $$ \text{AI improves decisions}. $$ 防守端： $$ \text{AI detects statistically implausible decision patterns}. $$ 這是一個真正的 adaptive adversarial ecology。 --- # 43. PokerStars 的 Game Integrity 規模 PokerStars 2025 年公開表示其 Game Integrity 團隊約有數十名專職專家、程式設計師、分析師與前職業 Poker 玩家，並可以使用平台累積超過： $$ 235\text{ billion} $$ 手牌進行分析。 平台表示自動系統會持續 flag 可疑帳號，再交由專門人員調查。 因此防守方具有： $$ \boxed{ \text{server-side population-scale data advantage}. } $$ --- # 44. 伺服器的 God's-Eye View 單一玩家只看： $$ I_i. $$ 平台則知道： - 所有合法 server state； - action sequence； - timing； - account history； - game outcomes； - table graph。 在牌局完成後，平台通常擁有比任何單一玩家完整得多的： $$ S. $$ 因此： $$ \boxed{ \text{player AI advantage} } $$ 不代表： $$ \boxed{ \text{player has the better forensic dataset}. } $$ --- # 45. PokerStars 不依賴單一「抓螢幕」方法 PokerStars 2025 年公開說明其反作弊會分析 gameplay 與 behavioural tendency，同時表示其並不以抓取玩家螢幕內容作為手段。 這是一個重要治理信號： $$ \boxed{ \text{anti-cheat power} } $$ 必須與： $$ \boxed{ \text{privacy constraint} } $$ 共同考慮。 --- # 46. Privacy--Integrity Tradeoff 如果平台要求： - webcam； - full-screen capture； - room scan； - second-device inspection； 可以提高某些偵測能力。 但會增加： $$ C_{\mathrm{privacy}}. $$ 因此平台治理目標不是單純： $$ \max Detection. $$ 而更接近： $$ \max \left[ Integrity -\lambda PrivacyCost -\gamma FalsePositiveCost \right]. $$ --- # 47. False Positive 也是公平性問題 如果 anti-AI 系統錯誤封鎖： $$ H_{\mathrm{elite}}, $$ 那麼： $$ \boxed{ \text{anti-cheat itself becomes a source of unfairness}. } $$ 所以： $$ \text{high sensitivity} $$ 與： $$ \text{high specificity} $$ 必須同時考慮。 --- # 48. Human Review 不能完全消失 平台的機器模型可以輸出： $$ P(\mathrm{violation}\mid E). $$ 但對高影響處置： $$ \text{ban}, $$ $$ \text{fund confiscation}, $$ 理想制度仍需要： $$ \boxed{ \text{multi-evidence human review}. } $$ PokerStars 公開描述其案件會由專門人員處理並進行複核。 --- # 49. Decision Provenance 本文正式定義： $$ \boxed{ D_P(d) = \text{provenance of the cognitive process generating decision }d. } $$ 它和： $$ A_P(a) = \text{provenance of the physical action executing }a $$ 不同。 --- # 50. Decision Provenance 為什麼比 Identity 更重要 傳統線上平台驗證： $$ \text{Who owns the account?} $$ 但 AI 時代還必須問： $$ \boxed{ \text{What system generated the decision?} } $$ 同一個 verified human account 可以對應： $$ D_P=H, $$ 也可以對應： $$ D_P=H+A, $$ 甚至： $$ D_P=A. $$ --- # 51. Decision Provenance 不是二元變數 可以把決策表示成： $$ d = F( H, A, R, E ), $$ 其中： $$ H=\text{human reasoning}, $$ $$ A=\text{AI assistance}, $$ $$ R=\text{reference material}, $$ $$ E=\text{environmental information}. $$ 因此真正的問題是： $$ \boxed{ \text{which contributions are permitted?} } $$ 而不是： $$ \boxed{ \text{was AI present at all?} } $$ --- # 52. Fairness 是制度定義，不是自然常數 某平台可能允許： $$ H1 $$ 即 AI 離線訓練。 禁止： $$ H3,H4,H5. $$ 另一個教育型遊戲可能允許： $$ H2. $$ 所以： $$ \boxed{ \text{Fairness} = F( rules, expectations, disclosure, symmetry ). } $$ 不存在跨所有遊戲唯一固定的 AI fairness boundary。 --- # 53. Symmetry Principle 如果某競賽明確允許所有玩家使用同一類 AI： $$ A_{\mathrm{allowed}}, $$ 那麼 AI 本身可能從： $$ \text{unfair assistance} $$ 變成： $$ \boxed{ \text{part of the game}. } $$ 因此核心問題之一是： $$ \boxed{ \text{Are capabilities symmetrically available and explicitly permitted?} } $$ --- # 54. 但對稱工具仍可能改變遊戲本體 即使每個人都可以用 AI， 遊戲仍可能從： $$ \text{human strategy competition} $$ 轉變成： $$ \text{AI selection/orchestration competition}. $$ 所以： $$ \boxed{ \text{equal access} \neq \text{same game identity}. } $$ 這是競技治理很深的問題。 --- # 55. Poker 為什麼特別敏感 Poker 的文化價值部分來自： - bluff； - read； - adaptation； - uncertainty； - human inconsistency。 若即時 solver 完全主導： $$ \pi_H \rightarrow \pi_A, $$ 競技本體可能從： $$ \boxed{ \text{human strategic reasoning} } $$ 變成： $$ \boxed{ \text{tool-mediated equilibrium execution}. } $$ 平台因此有理由把「人本人作決策」寫成核心規則。 --- # 56. Card Games 不一定有直接金錢賭注 Hearthstone、MTG Arena 等遊戲通常不是每局直接： $$ \text{win money / lose money}. $$ 但仍存在： - rank； - rewards； - account progression； - tournament qualification； - time value； - account economy。 因此 bot 與 AI assistance 仍會創造： $$ \boxed{ \text{competitive and economic externality}. } $$ --- # 57. Card-Game Bot 的目標可以是 Grinding 某 bot 不需要： $$ EV_{\mathrm{cash}}>0. $$ 只要： $$ Reward_{\mathrm{time}} > Cost_{\mathrm{automation}}, $$ 就可能有誘因持續運行。 因此： $$ \boxed{ \text{bot economics} } $$ 與 Poker RTA 不完全相同。 --- # 58. Hearthstone 的大規模 Bot 問題 Blizzard 在 2024 年公開多次進行大規模 bot enforcement，其中一輪表示自前次更新後又處理超過： $$ 240,000 $$ 個帳號。 這顯示： $$ \boxed{ \text{detection} \neq \text{permanent elimination}. } $$ 若新帳號成本足夠低，bot ecology 可以持續再生。 --- # 59. Bot Ecology 可以寫成： $$ N_{t+1} = N_t + B_t - D_t, $$ 其中： $$ B_t=\text{new bot creation}, $$ $$ D_t=\text{detected/removed bots}. $$ 只要： $$ B_t\geq D_t, $$ 總 bot population 就不會下降。 因此： $$ \boxed{ \text{ban rate alone} } $$ 不是完整治理指標。 --- # 60. 平台可以直接改變遊戲拓樸 Hearthstone 2024 年 Arena 的一項措施很有代表性。 針對反覆提前 retire、持續重抽直到拿到極強牌組的極端行為，Blizzard 並沒有完全刪除 retire 功能，而是讓這類玩家進入另一個 matchmaking pool。 因此： $$ \boxed{ \text{strategy} \rightarrow \text{topology response}. } $$ --- # 61. Matchmaking Topology as Countermeasure 設一般玩家池： $$ P_0. $$ 極端策略玩家： $$ P_E. $$ 平台可以把： $$ P_E $$ 重新映射到： $$ P_1. $$ 使其： $$ \boxed{ \text{mainly compete with similar strategies}. } $$ 這種治理不一定需要判定： > 你是不是作弊。 而是直接降低某種行為對一般生態的外部性。 --- # 62. 這和美國 CAW 很像 Paper 03 中 NYRA 不是禁止所有電腦模型。 它改的是： $$ \text{execution timing topology}. $$ Hearthstone 的例子則改： $$ \text{matchmaking topology}. $$ 兩者共同反映： $$ \boxed{ \text{platform can neutralize an advantage by changing the game environment}. } $$ --- # 63. Wizards 的一般反作弊邊界 Wizards of the Coast 現行 Terms 禁止： - unauthorized data mining； - bots； - hacks； - 未授權 software / code； - 使使用者相對未使用者取得優勢的工具。 因此策略卡牌遊戲同樣面臨： $$ \boxed{ \text{authorized assistance boundary}. } $$ 而不是只有真錢 Poker 才有這個問題。 --- # 64. Deck Tracker 與 RTA 的界線會越來越困難 一般 deck tracker 可能只是： $$ \text{memory externalization}. $$ 但加入： $$ \text{opponent model} + \text{current-state solve} + \text{action recommendation}, $$ 就會逐步走向： $$ \boxed{ \text{decision substitution}. } $$ 因此未來規則不應只按工具名稱分類，而需要按： $$ \boxed{ \text{function} } $$ 分類。 --- # 65. Functional Assistance Taxonomy 本文建議以功能分成： $$ F_0=\text{record}, $$ $$ F_1=\text{summarize}, $$ $$ F_2=\text{calculate static information}, $$ $$ F_3=\text{infer hidden state}, $$ $$ F_4=\text{recommend action}, $$ $$ F_5=\text{execute action}. $$ 越往後： $$ \text{decision substitution}\uparrow. $$ --- # 66. 這比「是不是 AI」更穩定 因為未來： $$ \text{AI} $$ 會出現在幾乎所有軟體。 所以規則若只寫： > 禁止 AI。 會變得非常模糊。 更合理是： $$ \boxed{ \text{禁止哪些功能在什麼時間介入決策}. } $$ --- # 67. Temporal Assistance Boundary 同一個工具在： $$ t 考慮 pot odds。 高 specificity： > 此處採取某個特定 action。 所以可定義： $$ S_D\in[0,1]. $$ 當： $$ S_D\uparrow, $$ decision substitution 通常也提高。 --- # 70. Human Cognitive Work Requirement 本文再定義： $$ C_H = \text{remaining human cognitive work}. $$ 對純 coaching： $$ C_H\approx1. $$ 對 PTBB： $$ C_H\approx0. $$ 因此一個公平競技規則可以關心： $$ \boxed{ \text{how much strategic cognition remains with the registered player}. } $$ --- # 71. Decision Substitution Index 概念上可定義： $$ DSI = f( A_S, S_D, T_R, C_H^{-1} ), $$ 其中： $$ A_S=\text{state awareness}, $$ $$ S_D=\text{decision specificity}, $$ $$ T_R=\text{real-time coupling}, $$ $$ C_H=\text{remaining human cognitive work}. $$ 越高表示外部系統越接近替代玩家本人的決策角色。 --- # 72. 這比 Bot / Not Bot 更能描述未來 未來可能出現： - AI whisper coach； - augmented-reality advice； - multimodal assistant； - partial recommendation； - probability overlay。 這些未必是 full bot。 但： $$ DSI $$ 可能非常高。 因此： $$ \boxed{ \text{automation level} \neq \text{decision substitution level}. } $$ --- # 73. Decision Provenance Crisis 當： $$ A_P=H $$ 而： $$ D_P $$ 不可直接觀測， 平台會遇到： $$ \boxed{ \text{Decision Provenance Crisis}. } $$ 即： > 可以驗證是誰按下按鈕，卻無法直接驗證是誰產生策略。 這是生成式 AI 時代的新公平性核心。 --- # 74. 這不只是 Poker 同樣問題可以出現在： - Chess； - Go； - competitive card games； - esports； - online examinations； - coding competitions； - remote professional assessments。 只要： $$ \boxed{ \text{human identity is verified} } $$ 但： $$ \boxed{ \text{cognitive origin is externally augmentable}, } $$ Decision Provenance 就成為問題。 --- # 75. Cognitive Forensics 本文把從行為結果推斷可能決策來源的研究方向稱為： $$ \boxed{ \text{Cognitive Forensics}. } $$ 其目的不是讀心。 而是估計： $$ P( D_P \mid E_{\mathrm{observable}} ). $$ --- # 76. Cognitive Forensics 不應宣稱完美確定性 因為： $$ P(D_P\mid E) $$ 永遠受： - model uncertainty； - human variability； - legitimate learning； - incomplete evidence； 影響。 所以結果更應是： $$ \boxed{ \text{evidence-weighted attribution}. } $$ 而不是： $$ \boxed{ \text{mathematical proof of cognition source}. } $$ --- # 77. Detection 也會產生 Adversarial Adaptation 一旦平台公開 detector： $$ D, $$ 作弊者就會優化： $$ \min P_D(\text{detected}). $$ 因此形成： $$ D_t \rightarrow A_{t+1} \rightarrow D_{t+1}. $$ 這就是： $$ \boxed{ \text{anti-cheat arms race}. } $$ --- # 78. 不應公開過度具體的反偵測細節 完整研究可以分析： $$ \text{classes of signals}, $$ 但若公開： - exact thresholds； - exact timing signatures； - exact evasion patterns； 反而可能降低平台安全。 因此本系列只描述： $$ \boxed{ \text{defensive principles} } $$ 不提供規避方法。 --- # 79. AI Game Integrity 的六層防禦 本文將現代公平競技防禦濃縮為： $$ \boxed{ \begin{array}{c} \text{Layer 1: Rules}\\ \text{Layer 2: Client/Environment}\\ \text{Layer 3: Behaviour}\\ \text{Layer 4: Strategy}\\ \text{Layer 5: Graph/External Evidence}\\ \text{Layer 6: Human Adjudication} \end{array} } $$ 真正強的系統不依賴單一 detector。 --- # 80. Rules Layer 最先必須清楚定義： $$ \boxed{ \text{what assistance is allowed}. } $$ 規則模糊時，再好的 detector 也無法產生正當處置。 --- # 81. Environment Layer 目的不是全面監控私人裝置。 而是在合理權限內辨識： $$ \text{known prohibited interaction}. $$ 並受： $$ \text{privacy proportionality} $$ 限制。 --- # 82. Behaviour Layer 建立： $$ \pi_i^{\mathrm{history}} $$ 與： $$ \pi_i^{\mathrm{current}} $$ 的比較。 重點是 regime change，不是「高手就是作弊」。 --- # 83. Strategy Layer 研究： $$ D( \pi_i, \pi^* ). $$ 但必須和玩家能力、stake、history 及罕見 spot 分布共同解讀。 --- # 84. Graph / External Layer 利用： - collusion graph； - account relation； - solver-provider evidence； - other external corroboration。 GGPoker 與 GTO Wizard 的合作是目前最清楚的制度案例之一。 --- # 85. Human Adjudication Layer 最後把： $$ E_1,\ldots,E_n $$ 組合成： $$ P(\mathrm{violation}\mid E). $$ 再依： - policy； - severity； - uncertainty； 決定： $$ \text{warning}, $$ $$ \text{suspension}, $$ $$ \text{ban}. $$ --- # 86. 第一核心命題：Intelligence Interaction 在策略遊戲中： $$ \boxed{ U_i = U_i(\pi_i,\pi_{-i}), } $$ 因此 AI 價值不只來自預測環境，也來自建模與回應其他智能體。 --- # 87. 第二核心命題：Action--Decision Separation $$ \boxed{ A_P=H \not\Rightarrow D_P=H. } $$ 這是 Human--AI Hybrid 公平性最重要的邏輯基礎。 --- # 88. 第三核心命題：Second-Device Incompleteness 若外部決策系統與 client 實體分離， 則： $$ \boxed{ D_{\mathrm{local}}=0 \not\Rightarrow P(\mathrm{external\ assistance})=0. } $$ 因此 client-side scanning 在理論上不可能單獨成為完整解。 --- # 89. 第四核心命題：Optimality Is Not Proof $$ \boxed{ D( \pi, \pi^* )\rightarrow0 } $$ 不充分推出： $$ D_P=A. $$ 因為高手與 solver-trained humans 也可以接近均衡策略。 --- # 90. 第五核心命題：Multi-Evidence Necessity 高影響作弊判定應依賴： $$ \boxed{ P(D_P\mid E_1,\ldots,E_n) } $$ 而不是： $$ P(D_P\mid E_1). $$ 此命題直接支持多層 Game Integrity。 --- # 91. 第六核心命題：Assistance Functionalism 未來治理應優先分類： $$ \boxed{ \text{what the tool does} } $$ 而不是： $$ \boxed{ \text{whether it is called AI}. } $$ 因為 AI 將逐漸成為一般軟體基礎能力。 --- # 92. 第七核心命題：Temporal Permission 同一工具： $$ T $$ 可以在： $$ t_{\mathrm{study}} $$ 合法， 但在： $$ t_{\mathrm{decision}} $$ 違反規則。 因此： $$ \boxed{ Permission=P(F,t,S). } $$ 其中： $$ F=\text{function}, $$ $$ t=\text{timing}, $$ $$ S=\text{state awareness}. $$ --- # 93. 第八核心命題：Topology Countermeasure 當某策略造成： $$ Externality>\theta, $$ 平台不一定只能： $$ \text{detect and ban}. $$ 它也可以修改： $$ \boxed{ \text{matchmaking / timing / access topology}. } $$ Hearthstone Arena 與 NYRA CAW 分別提供了遊戲與博彩市場中的類似案例。 --- # 94. 第九核心命題：Decision Substitution AI 作弊風險與： $$ \boxed{ \text{degree of substituted strategic cognition} } $$ 比與單純 automation level 更直接相關。 因此： $$ DSI $$ 可以成為未來公平競技研究的重要抽象變數。 --- # 95. 第十核心命題：Integrity--Privacy Dual Constraint 反作弊最佳化不是： $$ \max Detection. $$ 而是： $$ \boxed{ \max [ Integrity -\lambda PrivacyCost -\gamma FalsePositiveCost ]. } $$ 任何要求完全監控所有第二裝置的制度，都會遇到極高的隱私與比例原則成本。 --- # 96. 系列研究邊界 本文不提供： $$ \boxed{ \text{RTA implementation} } $$ $$ \boxed{ \text{bot implementation} } $$ $$ \boxed{ \text{screen-reading poker assistant} } $$ $$ \boxed{ \text{second-device assistance workflow} } $$ $$ \boxed{ \text{anti-cheat evasion} } $$ $$ \boxed{ \text{solver-query concealment} } $$ 本文只研究： - game theory； - AI strategic capability； - platform rules； - decision provenance； - game integrity； - anti-cheat architecture； - privacy； - governance。 --- # 97. 與 Paper 05 的差異 Paper 05： $$ \boxed{ \text{Player vs Mechanism}. } $$ Paper 06： $$ \boxed{ \text{Intelligence vs Intelligence}. } $$ 因此 AI 的角色從： $$ \text{better calculation} $$ 升級為： $$ \boxed{ \text{strategic cognition}. } $$ --- # 98. 與 Paper 03 的共同點 Paper 03 的市場是： $$ \text{many intelligent agents} \rightarrow \text{collective price}. $$ Paper 06 則是： $$ \text{many intelligent agents} \rightarrow \text{direct strategic interaction}. $$ 兩者都屬： $$ \boxed{ \text{multi-agent adaptive systems}. } $$ --- # 99. 與 Paper 07 的銜接 本篇提出： $$ \boxed{ \text{Decision Provenance Crisis}. } $$ 但尚未完整回答： > 如何治理與判定？ Paper 07 將把： $$ \text{Cognitive Forensics} $$ 獨立出來，研究： - provenance model； - evidence fusion； - behavioural fingerprint； - false positive； - privacy； - adversarial adaptation； - adjudication standard。 --- # 100. 結論 Poker 把 AI 博弈研究推到了一個與輪盤、彩券及傳統 casino 完全不同的位置。 在 Poker 中： $$ \boxed{ \text{randomness remains}, } $$ 但更重要的是： $$ \boxed{ \text{another intelligence is inside the system}. } $$ 玩家必須對： $$ P(S\mid I) $$ 形成 belief， 同時對： $$ \pi_{-i} $$ 形成 opponent model， 再選擇： $$ \pi_i. $$ 人工智慧已經證明可以在這種不完全資訊策略環境達到超人類能力。 所以 AI 時代的 Poker 問題不再是： > 機器能不能玩得比人好？ 答案早已是： $$ \boxed{ \text{Yes}. } $$ 真正問題變成： $$ \boxed{ \text{When is that intelligence allowed to enter the decision loop?} } $$ 早期 bot： $$ A_P=M, $$ $$ D_P=M. $$ 今天的 Human--AI Hybrid 卻可能： $$ A_P=H, $$ $$ D_P=H+A $$ 甚至： $$ D_P=A. $$ 因此： $$ \boxed{ \text{human execution is no longer sufficient evidence of human decision}. } $$ 這就是 Decision Provenance Crisis。 而現代平台的反應也正在改變。 PokerStars 已不只分析滑鼠與 bot process，而使用巨大 hand-history 資料、策略與行為模型以及人工 Game Integrity review。 GGPoker 2026 年規則更直接把 RTA、AI bots、solver、chart、HUD、remote access 與 virtualized environments 納入整個 security ecology。 GTO Wizard 則代表另一個新現象：原本提供策略智能的 solver provider，也開始提供 Fair Play Check、superhuman-play detection 與 strategy-closeness analysis，協助平台判斷外部計算是否可能介入即時遊戲。GGPoker 2025 年公開表示，雙方合作後已針對 31 個違反 fair-play rule 的帳號採取封鎖措施。 因此： $$ \boxed{ \text{AI for strategic advantage} } $$ 正在同時產生： $$ \boxed{ \text{AI for strategic forensics}. } $$ 卡牌遊戲則進一步顯示，制度不一定只能靠「抓到然後封號」。 Hearthstone 對某些極端 Arena 行為採用不同 matchmaking pool，說明平台還可以直接改變： $$ \boxed{ \text{game topology}. } $$ 於是整個 AI 競技治理的演化，可以概括為： $$ \boxed{ \begin{array}{c} \text{Detect Automation}\\ \downarrow\\ \text{Detect Assistance}\\ \downarrow\\ \text{Infer Decision Provenance}\\ \downarrow\\ \text{Redesign Competitive Topology} \end{array} } $$ 這也讓 AI 公平性問題第一次超出「是不是外掛」。 真正的問題成為： $$ \boxed{ \text{How much of the strategic cognition must remain with the registered human participant for the contest to remain the same contest?} } $$ 當一個人仍然坐在螢幕前、仍然親手按下按鈕，但重要判斷已由外部模型完成時，身份驗證仍然成功，卻未必完成了認知來源驗證。 因此本文最後提出： $$ \boxed{ \text{Identity Provenance} \neq \text{Action Provenance} \neq \text{Decision Provenance}. } $$ 這三者在前 AI 時代經常被默認為同一件事。 在 Human--AI Hybrid 時代，它們必須被正式分離。 而下一篇 Paper 07 將從這裡開始： $$ \boxed{ \text{如果 Decision Provenance 無法直接觀測， 我們究竟可以如何在不犧牲隱私與正常高手的前提下， 建立合理的 Cognitive Forensics？} } $$ --- ## References / Empirical and Policy Anchors 1. Carnegie Mellon University, 2019, reporting Pluribus's superhuman performance against professional players in six-player no-limit Texas Hold'em and summarizing the earlier Libratus result. 2. PokerStars, current Third Party Tools and Services Policy and General Terms, accessed 2026, defining prohibited bots, real-time advice, advanced equity, ICM and Nash-equilibrium assistance during play. 3. PokerStars Game Integrity materials, 2024--2026, describing FAB, PTBB, RTA detection, behavioural analysis, proprietary models, continuous automated flagging, specialist review, and analysis across more than 235 billion hands. 4. GGPoker, Security & Ecology Policy, current version dated 2026-03-13, defining RTA, bots, AI, prohibited decision assistance, remote-access tools, virtual machines and related integrity restrictions. 5. GGPoker, 2025, *GGPoker & GTO Wizard Join Forces*, reporting 31 blocked accounts following use of GTO Wizard game-integrity services and describing Fair Play Check. 6. GTO Wizard, current Game Integrity materials, accessed 2026, describing Fair Play Check Automation, GTO Reports, superhuman-play detection and strategy-to-optimal-strategy closeness assessment. 7. Blizzard Entertainment, April 2024 Hearthstone Bot Ban Update, reporting action against more than 240,000 additional accounts and the use of a separate Arena matchmaking pool for repeated early-retirement behaviour. 8. Wizards of the Coast, current Terms, accessed 2026, prohibiting unauthorized bots, cheats, software, data mining and tools that grant advantages not available to ordinary players. --- **Next:** **Paper 07 — 反 AI 博弈系統：Decision Provenance、Cognitive Forensics 與公平競技治理**