💻 computer science

Noncooperative Human-AI Agent Dynamics

यह शोधपत्र विभिन्न मैट्रिक्स खेलों के व्यापक संख्यात्मक सिमुलेशन के माध्यम से अपेक्षित उपयोगिता अधिकतमकरण (expected utility maximization) का उपयोग करने वाले एआई एजेंटों और प्रॉस्पेक्ट थ्योरी (Prospect Theory) प्राथमिकताओं के साथ मॉडल किए गए मानव एजेंटों के बीच गैर-सहकारी अंतःक्रियाओं की उभरती रणनीतिक गतिशीलता की जांच करता है।

मूल लेखक: Dylan Waldner, Vyacheslav Kungurtsev, Mitchelle Ashimosi

प्रकाशित 2026-03-19

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dylan Waldner, Vyacheslav Kungurtsev, Mitchelle Ashimosi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक भव्य शतरंज टूर्नामेंट चल रहा है, लेकिन केवल दो ग्रैंडमास्टर्स के बीच नहीं, बल्कि विभिन्न प्रकार के खिलाड़ियों से भरे एक कमरे में:

रोबोट (AI): एक ठंडा, गणना करने वाला यंत्र जो केवल गणित की परवाह करता है। यह हमेशा वह चाल चुनता है जो समय के साथ उच्चतम औसत स्कोर देती है। इसे न डर महसूस होता है, न पछतावा और न ही उत्साह। यह बस नंबरों को क्रंच करता है।
इंसान (प्रॉस्पेक्ट थ्योरी एजेंट): एक व्यक्ति जो अंतर्ज्ञान (gut feelings), पिछले अनुभवों और इस आधार पर खेलता है कि उसे जीत या हार के बारे में कैसा महसूस होता है। वे जीतने के बजाय हारने को दोगुना नापसंद करते हैं। अगर संभावनाएं कम दिखती हैं, तो वे डर जाते हैं, भले ही गणित कहता हो कि यह एक अच्छा दांव है।
छात्र (सीखने वाला इंसान): एक इंसान जो शुरुआत में नियम नहीं जानता। उन्हें खेलने के माध्यम से सीखना पड़ता है, गलतियाँ करनी पड़ती हैं, और धीरे-धीरे यह समझना पड़ता है कि क्या काम करता है, जबकि वे उन्हीं मानवीय डरों और पूर्वाग्रहों को अपने साथ लेकर चलते हैं।

यह शोध पत्र एक विशाल सिमुलेशन है कि क्या होता है जब इन तीन प्रकार के खिलाड़ियों को विभिन्न रणनीतिक खेलों में एक साथ डाला जाता है। शोधकर्ता यह देखना चाहते थे: जब एक तर्कसंगत रोबोट एक पक्षपाती इंसान से लड़ता है, तो कौन जीतता है? क्या वे एक स्थिर शांति पाते हैं, या अराजकता फैल जाती है?

यहाँ सरल उपमाओं का उपयोग करके उनके निष्कर्षों का विवरण दिया गया है:

सेटअप: "गेम लैब"

शोधकर्ताओं ने केवल एक खेल नहीं खेला; उन्होंने छह अलग-अलग परिदृश्यों के साथ एक लैब बनाई, जिसमें क्लासिक पहेलियों से लेकर जटिल जाल तक शामिल थे:

प्रिज़नर्स डिलेमा (Prisoner's Dilemma): क्लासिक "क्या हम सहयोग करें या विश्वासघात करें?" वाला परिदृश्य।
मैचिंग पेनिस (Matching Pennies): शुद्ध संयोग और अनुमान का खेल (चित या पट)।
स्टैग हंट (Stag Hunt): भरोसे की परीक्षा। क्या आप मिलकर एक बड़े, जोखिम भरे इनाम के लिए जाते हैं, या अकेले सुरक्षित खेलना पसंद करते हैं?
बैटल ऑफ द सेक्सेस (Battle of the Sexes): एक समन्वय (coordination) गेम जहाँ दो लोग साथ रहना चाहते हैं, लेकिन वे इस बात पर असहमत हैं कि उन्हें कहाँ जाना चाहिए।
चिकन (Chicken): यह "ब्रिंकमैनशिप" (brinksmanship) का खेल है। दो कारें एक-दूसरे की ओर आती हैं; जो पहले मुड़ता है वह हार जाता है, लेकिन यदि कोई भी नहीं मुड़ता, तो दोनों दुर्घटनाग्रस्त हो जाते हैं।

बड़ी खोज: इंसान अजीब हैं (और रोबोट भ्रमित हैं)

1. "लॉस अवर्जन" (हानि से बचना) का ग्लिच

सिमुलेशन में इंसानों को प्रॉस्पेक्ट थ्योरी के साथ मॉडल किया गया था। इसे एक "लॉस अवर्जन" फिल्टर के रूप में सोचें।

रोबोट देखता है कि $100 जीतने की 50% संभावना है और$ 100 हारने की 50% संभावना है। वह कहता है, "अपेक्षित मूल्य शून्य है। चलो करते हैं।"
इंसान उसी चीज़ को देखता है लेकिन सोचता है, " $100 हारना,$ 100 जीतने की खुशी से कहीं अधिक दर्दनाक है।" वे खेलने से मना कर सकते हैं, भले ही गणित कहता हो कि यह एक निष्पक्ष खेल है।

परिणाम: जब रोबोट इंसान के खिलाफ खेला, तो इंसान का हारने का डर अक्सर उन्हें अजीब तरह से खेलने पर मजबूर कर देता था। कभी-कभी, यह वास्तव में इंसान को रोबोट के खिलाफ जिताने में मदद करता था क्योंकि रोबोट इंसान के "तर्कहीन" डर का अनुमान नहीं लगा पाता था।

2. "लर्निंग" कर्व (सीखने का ग्राफ)

"छात्र" इंसान (लर्निंग एजेंट्स) दिलचस्प थे। वे रैंडमली (यादृच्छिक रूप से) खेलकर शुरुआत करते हैं, ताकि खेल को समझ सकें।

सरल खेलों में (जैसे प्रिज़नर्स डिलेमा): वे अंततः रोबोट की तरह व्यवहार करना सीख जाते हैं और सबको धोखा देने लगते हैं, जैसा कि सिद्धांत भविष्यवाणी करता है।
जटिल खेलों में (जैसे बैटल ऑफ द सेक्सेस): वे लूप्स (loops) में फंस जाते थे। वे एक "खराब" चाल 10% बार खेलते थे, भले ही वे जानते थे कि वह गलत है। क्यों? क्योंकि उनका आंतरिक "रेफरेंस पॉइंट" (जो वे जीतने की उम्मीद करते थे) लगातार बदलता रहता था। यह एक जुआरी की तरह है जो हारते हुए घोड़े पर तब तक दांव लगाता रहता है क्योंकि उसे विश्वास है, "अगर मैं बस जारी रखूँ, तो मैं आखिरकार बराबर हो जाऊँगा।"

3. "क्रैश" ज़ोन (चिकन गेम)

चिकन के खेल में, लक्ष्य दूसरे को मुड़ने (swerve) के लिए मजबूर करना है।

रोबोट संभावनाओं की सटीक गणना करता है।
इंसान दुर्घटना से डरता है।
आश्चर्य: बार-बार खेले जाने वाले खेलों में, इंसान और रोबोट हमेशा टकराते नहीं हैं। कभी-कभी वे एक अजीब, अस्थिर मध्य मार्ग ढूंढ लेते हैं जहाँ वे दोनों थोड़ा मुड़ते हैं, लेकिन इतना भी नहीं कि सुरक्षित रहें। "विनाश" (क्रैश) का डर इंसान को ऐसी रणनीति अपनाने के लिए मजबूर करता है जिसे रोबोट आसानी से भुना नहीं पाता।

"विसंगतियां" (Anomalies): जहाँ गणित विफल होता है

शोध पत्र का सबसे रोमांचक हिस्सा वह है जहाँ गणित विफल हो गया।

रोबोट की दुनिया: क्लासिकल गेम थ्योरी में, हमेशा एक "परफेक्ट" उत्तर (एक इक्विलिब्रियम) होता है जहाँ कोई भी अपनी रणनीति बदलना नहीं चाहता।
इंसान की दुनिया: क्योंकि इंसान भावनात्मक और पक्षपाती होते हैं, वह "परफेक्ट उत्तर" कभी-कभी गायब हो जाता है।
प्रयोग: "क्रॉफर्ड्स काउंटरएग्जांपल" नामक एक विशिष्ट कठिन खेल में, रोबोट और इंसान एक स्थिर समाधान नहीं ढूंढ सके। वे लगातार अपनी रणनीतियाँ बदलते रहे, पहिये घुमाते रहे। यह दो लोगों के बीच के तालमेल जैसा था जो अलग-अलग गानों पर नाचने की कोशिश कर रहे हों; वे तालमेल नहीं बिठा सके।

"रेफरेंस पॉइंट" का रहस्य

पत्र में यह भी देखा गया कि इंसान खुशी के लिए अपना "बेसलाइन" क्या उपयोग करते हैं।

फिक्स्ड बेसलाइन: "मैं $10 जीतना चाहता हूँ।"
एडेप्टिव बेसलाइन: "मैं पिछली बार जितना जीता था उससे अधिक जीतना चाहता हूँ।"
सोशल बेसलाइन: "मैं अपने प्रतिद्वंद्वी से अधिक जीतना चाहता हूँ।"

शोधकर्ताओं ने पाया कि इस "बेसलाइन" को बदलने से पूरा खेल बदल जाता है। यदि कोई इंसान रोबोट के साथ तुलना कर रहा है (सोशल बेसलाइन), तो वह मशीन को "हराने" के लिए अधिक आक्रामक होकर खेल सकता है, भले ही इससे उसका अपना स्कोर कम हो जाए।

निष्कर्ष: यह क्यों मायने रखता है

यह केवल बोर्ड गेम्स के बारे में नहीं है। यह हमारी दुनिया के भविष्य के बारे में है।

शेयर बाजार: यदि AI ट्रेडर्स (रोबोट) मानव ट्रेडर्स (इंसान) के खिलाफ लड़ रहे हैं जो नुकसान होने पर घबरा जाते हैं, तो बाजार उन तरीकों से गिर सकता है जिसकी AI ने भविष्यवाणी नहीं की थी।
सेल्फ-ड्राइविंग कारें: यदि एक सेल्फ-ड्राइविंग कार (रोबोट) एक ऐसे मानव ड्राइवर के साथ मर्ज होने की कोशिश करती है जो अपनी जगह खोने से डरता है, तो कार को तालमेल बिठाने के लिए "इंसान की तरह व्यवहार" (थोड़ा तर्कहीन होना) करने की आवश्यकता हो सकती है।
साइबर सुरक्षा: हैकर्स (इंसान) ऐसे तरीकों से हमला कर सकते हैं जो गणितीय रूप से समझ में नहीं आते, बल्कि अहंकार या डर से प्रेरित होते हैं, जिन्हें AI रक्षा प्रणालियाँ मिस कर सकती हैं।

संक्षेप में:
यह शोध पत्र हमें बताता है कि आप केवल एक रोबोट को "स्मार्टर" बनाकर इंसान को हराने के लिए प्रोग्राम नहीं कर सकते। इंसान अव्यवस्थपूर्ण, भावनात्मक और नुकसान के डर से संचालित होते हैं। जब आप एक ठंडे कैलकुलेटर को एक डरे हुए इंसान के साथ मिलाते हैं, तो परिणाम शतरंज का एक परफेक्ट गेम नहीं होता; यह एक अराजक, अप्रत्याशित नृत्य होता है जहाँ कभी-कभी इंसान "तर्कहीन" होकर जीत जाता है, और कभी-कभी वह बहुत अधिक सोचने के कारण हार जाता है।

AI सुरक्षा और रणनीति का भविष्य केवल बेहतर कैलकुलेटर बनाने के बारे में नहीं है; यह मशीनों को मानव मस्तिष्क के अव्यवस्थ, भावनात्मक, "प्रॉस्पेक्ट थ्योरी" वाले पक्ष को समझने के बारे में है।

यहाँ वाल्डनर, कुंगर्टसेव और अशिमोसी के शोध पत्र "Noncooperative Human AI Agent Dynamics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र गैर-सहकारी वातावरण में आर्टिफिशियल इंटेलिजेंस (AI) एजेंटों और मानवीय निर्णय लेने वालों (Human Decision-makers) के बीच रणनीतिक अंतःक्रियाओं को समझने की महत्वपूर्ण कमी को संबोधित करता है।

विसंगति (The Discrepancy): मानक मल्टी-एजेंट रीइन्फोर्समेंट लर्निंग (MARL) और गेम थ्योरी आमतौर पर सभी एजेंटों को तर्कसंगत एक्सपेक्टेड यूटिलिटी (EU) मैक्सिमाइज़र के रूप में मॉडल करते हैं। हालाँकि, व्यवहारिक अर्थशास्त्र (विशेष रूप से प्रॉस्पेक्ट थ्योरी, PT) यह दर्शाता है कि मानव संज्ञानात्मक ह्यूरिस्टिक्स जैसे कि लॉस एवर्जन (हानि से बचाव), रेफरेंस डिपेंडेंस (संदर्भ निर्भरता), और गैर-रैखिक प्रायिकता वेटिंग (probability weighting) के कारण तर्कसंगतता से विचलित होते हैं।
चुनौती (The Challenge): जब AI एजेंट (जिन्हें EU मैक्सिमाइज़र के रूप में मॉडल किया गया है) मनुष्यों (जिन्हें PT एजेंट के रूप में मॉडल किया गया है) के विरुद्ध प्रतिस्पर्धा करते हैं, तो परिणामी गतिकी (dynamics) शास्त्रीय नैश इक्विलिब्रियम (Nash Equilibrium) भविष्यवाणियों से काफी भिन्न हो सकती है। यह शोध पत्र इन उभरते व्यवहारों का अनुभवजन्य (empirically) अन्वेषण करता है, विशेष रूप से यह पूछते हुए: क्या EU और PT एजेंटों की मिश्रित आबादी स्थिर इक्विलिब्रियम की ओर अग्रसर होती है? जब एक एजेंट Q-लर्निंग के माध्यम से सीखता है और दूसरा प्रॉस्पेक्ट थ्योरेटिक रूपांतरणों के माध्यम से सीखता है, तो सीखने की गतिकी कैसे भिन्न होती है?

2. कार्यप्रणाली (Methodology)

2.1 एजेंट मॉडलिंग (Agent Modeling)

अध्ययन मानव-AI अंतःक्रिया के स्पेक्ट्रम को सिम्युलेट करने के लिए तीन अलग-अलग प्रकार के एजेंटों को परिभाषित करता है:

AI एजेंट (EU): एक मानक Q-लर्निंग एजेंट जो बेलमैन समीकरण का उपयोग करके अपेक्षित डिस्काउंटेड रिटर्न को अधिकतम करता है। यह "तर्कसंगत" आधार रेखा का प्रतिनिधित्व करता है।
अवगत मानव (Aware Human - AH): एक गैर-सीखने वाला एजेंट जिसे खेल की संरचना और पेऑफ का पूर्ण ज्ञान है। यह प्रत्येक चरण पर प्रतिद्वंद्वी की रणनीति के प्रति सटीक प्रॉस्पेक्ट थ्योरेटिक बेस्ट रिस्पॉन्स की गणना करता है। यह लर्निंग नॉइज़ के बिना मानवीय व्यवहार के लिए एक सैद्धांतिक आधार रेखा के रूप में कार्य करता है।
सीखने वाला मानव (Learning Human - LH): एक एजेंट जो Q-लर्निंग के माध्यम से सीखता है लेकिन निर्णय लेने के दौरान अपने Q-वैल्यूज़ पर क्युमुलेटिव प्रॉस्पेक्ट थ्योरी (CPT) लागू करता है। इसे पूर्व में खेल की संरचना का ज्ञान नहीं होता है, बल्कि यह अंतःक्रिया के माध्यम से सीखता है।

2.2 सैद्धांतिक ढांचा (Theoretical Framework)

प्रॉस्पेक्ट थ्योरी (CPT): LH एजेंट CPT पैरामीटर्स ( $\alpha=\beta=0.88$ $α = β = 0.88$ , $\lambda=2.25$ $λ = 2.25$ , $\gamma=0.61$ $γ = 0.61$ , $\delta=0.69$ $δ = 0.69$ ) का उपयोग करते हैं।
- वैल्यू फंक्शन (Value Function): एक संदर्भ बिंदु ( $r$ ) पर गैर-रैखिक, जिसमें लॉस एवर्जन ( $\lambda > 1$ ) और घटती संवेदनशीलता (diminishing sensitivity) प्रदर्शित होती है।
- प्रोबेबिलिटी वेटिंग (Probability Weighting): व्युत्क्रम S-आकार के फलन जो छोटी संभावनाओं को अधिक महत्व देते हैं और बड़ी संभावनाओं को कम महत्व देते हैं।
रेफरेंस पॉइंट्स (Reference Points): यह शोध पत्र यह देखने के लिए चार डायनेमिक रेफरेंस पॉइंट मॉडल का परीक्षण करता है कि अनुकूलन परिणामों को कैसे प्रभावित करता है:
- फिक्स्ड (Fixed): स्थिर आधार रेखा।
- EMA (Adaptive Expectations): एजेंट के अपने ऐतिहासिक पुरस्कारों पर आधारित।
- V-Based: एजेंट के सीखे हुए Q-वैल्यूज़ पर आधारित (रणनीतिक अपेक्षा)।
- EMAOR (Social Comparison): प्रतिद्वंद्वी के ऐतिहासिक पुरस्कारों पर आधारित।
इक्विलिब्रियम अवधारणा (Equilibrium Concept): यह शोध पत्र प्रॉस्पेक्ट थ्योरेटिक इक्विलिब्रियम इन बिलीफ्स (PT-EB) (लेक्लरक, 2023 से) का उपयोग करता है, जो रणनीति स्थान को कन्वेक्सिफाई (convexifies) करता है ताकि शास्त्रीय नैश इक्विलिब्रियम के लिए आवश्यक "बिटवीननेस" एक्सिओम (betweenness axiom) के टूटने के बावजूद इक्विलिब्रियम अस्तित्व सुनिश्चित किया जा सके।

2.3 प्रयोगात्मक सेटअप (Experimental Setup)

गेम सूट (Game Suite): लेखकों ने 7 खेलों का परीक्षण किया:
- शास्त्रीय (Classical): प्रिज़नर्स डिलेमा (Prisoner's Dilemma), मैचिंग पेनीज़ (Matching Pennies), बैटल ऑफ द सेक्सेस (Battle of the Sexes), स्टैग हंट (Stag Hunt), चिकन (Chicken)।
- विसंगत (Anomalous): ओच्स गेम (Ochs' Game) और क्रॉफर्ड्स काउंटरएग्जांपल (Crawford's Counterexample) (विशेष रूप से PT के तहत इक्विलिब्रियम अस्तित्व को तोड़ने के लिए डिज़ाइन किए गए)।
स्टेट रिप्रेजेंटेशन (State Representation):
- वन-ऑफ ( $n=0$ ): इतिहास से स्वतंत्र रणनीतियाँ।
- रिपीटेड ( $n=2$ ): रणनीतियाँ पिछले दो संयुक्त कार्यों पर निर्भर करती हैं (जैसे "टिट-फॉर-टैट" पैटर्न को कैप्चर करना)।
लर्निंग एल्गोरिदम (Learning Algorithm): हेटेरोजेनियस Q-लर्निंग जहाँ AI एजेंट मानक Q-वैल्यूज़ को अपडेट करता है, जबकि LH एजेंट प्रतिद्वंद्वी की क्रियाओं की अपेक्षा (beliefs) के आधार पर Q-वैल्यूज़ को अपडेट करता है और चयन करने से पहले प्राप्त प्रॉस्पेक्ट वैल्यूज़ पर CPT रूपांतरण लागू करता है।

3. मुख्य योगदान (Key Contributions)

मिश्रित आबादी का पहला अनुभवजन्य अध्ययन: यह मिश्रित आबादी (PT बनाम EU) के एसिम्प्टोटिक व्यवहारों को बार-बार होने वाले 2x2 गैर-सहकारी खेलों में व्यवस्थित रूप से सिम्युलेट करने वाला पहला शोध पत्र है।
लर्निंग और अवेयर एजेंटों के बीच अंतर: यह उन एजेंटों को स्पष्ट रूप से अलग करता है जो खेल को जानते हैं (AH) और जो इसे सीखते हैं (LH), जिससे यह पता चलता है कि सीखने की गतिकी अद्वितीय विकृतियाँ (pathologies) पेश करती है जो स्थिर बेस्ट-रिस्पॉन्स मॉडल में मौजूद नहीं होती हैं।
मल्टीपल रेफरेंस पॉइंट्स के साथ Q-लर्निंग: CPT फ्रेमवर्क के भीतर डायनेमिक रेफरेंस पॉइंट्स (EMA, V-Based, EMAOR) को शामिल करने वाले Q-लर्निंग एल्गोरिदम का निर्माण और कार्यान्वयन।
विसंगत अभिसरण (Anomalous Convergence) की पहचान: यह अध्ययन उन विशिष्ट परिदृश्यों की पहचान करता है जहाँ मानव-AI अंतःक्रियाएं उप-इष्टतम (suboptimal) मिश्रित इक्विलिब्रियम या ऐसी "पैथोलॉजिकल" व्यवहारों की ओर ले जाती हैं जिन्हें शास्त्रीय सिद्धांत अनुमानित नहीं कर सकता।

4. मुख्य परिणाम (Key Results)

4.1 सामान्य अवलोकन (General Observations)

अभिसरण भिन्नता (Convergence Variance): जबकि कई मुकाबले शास्त्रीय इक्विलिब्रियम (जैसे प्रिज़नर्स डिलेमा में म्यूचुअल डिफेक्शन) की ओर बढ़े, समन्वय (coordination) और एंटी-कोऑर्डिनेशन गेम्स में महत्वपूर्ण विचलन देखे गए।
रिवॉर्ड बनाम व्यवहार डिकपलिंग (Reward vs. Behavior Decoupling): कई मामलों में (विशेष रूप से मैचिंग पेनीज़ में), एजेंटों ने औसत रिवॉर्ड में बदलाव के बिना अत्यधिक अनियमित नीतियां प्रदर्शित कीं। यह सुझाव देता है कि CPT प्राथमिकताएं एजेंटों को "नॉइज़ी" इक्विलिब्रियम में धकेल सकती हैं जो पेऑफ के मामले में स्थिर दिखते हैं लेकिन रणनीति के मामले में अस्थिर होते हैं।
"LH विसंगति" (The "LH Anomaly"): प्रिज़नर्स डिलेमा में, जब सोशल कंपेरिजन (EMAOR) रेफरेंस पॉइंट का उपयोग किया गया, तो लर्निंग ह्यूमन (LH) ने अवेयर ह्यूमन के विरुद्ध कभी-कभी सहयोग (~10% समय) किया, जो कि मानक सिद्धांत द्वारा अनुमानित व्यवहार नहीं है।

4.2 गेम-विशिष्ट निष्कर्ष (Game-Specific Findings)

मैचिंग पेनीज़ (Matching Pennies): LH एजेंट ने CPT रूपांतरणों द्वारा संचालित महत्वपूर्ण "एक्शन फ्लिप रेट्स" (10% तक) दिखाया। AI एजेंट ने LH के खिलाफ खेलते समय अनियमित व्यवहार दिखाया, जिससे कुछ रन में 9:1 का एक्शन रेशियो बना, फिर भी रिवॉर्ड संतुलित रहे।
बैटल ऑफ द सेक्सेस (Battle of the Sexes):
- वन-ऑफ: LH एजेंट 9:1 उप-इष्टतम मिश्रित नीति की ओर अभिसरित हुआ, अपने "कमजोर" एक्शन को 10% बार खेला, भले ही Q-वैल्यूज़ दूसरे पक्ष के पक्ष में थे। इसका श्रेय CPT वैल्यू फंक्शन में घटती संवेदनशीलता (diminished sensitivity) को दिया गया जब संदर्भ बिंदु Q-वैल्यूज़ से दूर था।
- रिपीटेड: (0.5, 0.5) के मिश्रित इक्विलिब्रियम की ओर अभिसरण देखा गया, जो बताता है कि CPT समन्वय खेलों में मिश्रित रणनीतियों को स्थिर कर सकता है।
स्टैग हंट (Stag Hunt): आम तौर पर अपेक्षित रूप से रिस्क-डोमिनेंट या पे-ऑफ-डोमिनेंट इक्विलिब्रियम की ओर अभिसरित हुआ, लेकिन LH बनाम LH (V-based) ने उच्च एक्शन चेंज रेट के साथ एक मिश्रित इक्विलिब्रियम (0.5, 0.5) पाया।
चिकन (Chicken): LH एजेंट वन-ऑफ गेम्स में संघर्ष करते दिखे, वे शुद्ध रणनीतियों के बजाय अक्सर रणनीतियों को मिलाते (mix) रहे। रिपीटेड गेम्स में, उन्होंने नए मिश्रित-रणनीति बेसिन (जैसे 0.8, 0.8) खोजे जो शास्त्रीय सिद्धांत द्वारा अनुमानित नहीं थे।
पैथोलॉजिकल गेम्स (Ochs' & Crawford's):
- क्रॉफर्ड्स काउंटरएग्जांपल: इसने इस सैद्धांतिक भविष्यवाणी की पुष्टि की कि PT खिलाड़ी मिश्रित इक्विलिब्रियम (1/2, 1/2) को खोजने में विफल रहते हैं और इसके बजाय शुद्ध रणनीतियों की ओर अभिसरित होते हैं।
- ओच्स गेम: इसने दिखाया कि जबकि PT-EB सैद्धांतिक रूप से (0.5, 0.05) पर एक इक्विलिब्रियम की भविष्यवाणी करता है, सीखने वाले एजेंट उच्च भिन्नता के साथ विभिन्न बेसिन (0.5, 0.5; 0.5, 0.2; 0.8, 0.8) की ओर अभिसरित हुए, जो इक्विलिब्रियम पैथोलॉजी की उपस्थिति को सत्यापित करता है।

4.3 "L2 Norm Spike" घटना (The "L2 Norm Spike" Phenomenon)

एक महत्वपूर्ण निष्कर्ष यह है कि अवेयर ह्यूमन (AH) बनाम लर्निंग ह्यूमन (LH) मुकाबलों में, LH एजेंट ने EU एक्शन वैल्यूज़ और CPT-रूपांतरित वैल्यूज़ के बीच L2 दूरी में भारी उछाल (अन्य मुकाबलों की तुलना में 50% अधिक) दिखाया। इस विशाल आंतरिक रूपांतरण के बावजूद, LH का बाहरी व्यवहार अक्सर साधारण रहा या मानक परिणामों की ओर अभिसरित हुआ। यह सुझाव देता है कि विशाल CPT रूपांतरणों का आवश्यक रूप से डाउनस्ट्रीम व्यवहार परिवर्तन के साथ सहसंबंध नहीं होता है, जो मानव-AI अंतःक्रिया को मॉडल करने के लिए एक महत्वपूर्ण अंतर्दंद्व है।

5. महत्व और निहितार्थ (Significance and Implications)

AI सुरक्षा और शासन (AI Safety and Governance): यह शोध पत्र यह समझने के लिए एक विश्लेषणात्मक ढांचा प्रदान करता है कि मानव संज्ञानात्मक पूर्वाध (जिसे PT द्वारा मॉडल किया गया है) तर्कसंगत AI सिस्टम के साथ कैसे परस्पर क्रिया करते हैं। यह रेखांकित करता है कि अपेक्षित उपयोगिता (expected utility) के लिए अनुकूलित AI एजेंट उन मनुष्यों के विरुद्ध प्रतिस्पर्धा करते समय अप्रत्याशित या उप-इष्टतम परिणामों का सामना कर सकते हैं जो EU मैक्सिमाइजेशन का पालन नहीं करते हैं।
सिस्टम डिज़ाइन (System Design): परिणाम बताते हैं कि मिश्रित मानव-AI सिस्टम (जैसे स्वायत्त ड्राइविंग, एल्गोरिथमिक ट्रेडिंग, साइबर सुरक्षा) में, केवल EU-आधारित AI मॉडल पर भरोसा करने से प्रणालीगत अक्षमता या कमजोरियां पैदा हो सकती हैं। AI सिस्टम को PT-आधारित मानवीय व्यवहारों का अनुमान लगाने या उनके अनुकूल होने के लिए डिज़ाइन किया जाना चाहिए।
सैद्धांतिक प्रगति (Theoretical Advancement): अपने अनुभवजन्य सत्यापन के माध्यम से, यह शोध पत्र इस धारणा को चुनौती देता कि विषम आबादी में सीखने वाले एजेंट हमेशा शास्त्रीय नैश इक्विलिब्रियम की ओर अभिसरित होंगे।

निष्कर्ष (Conclusion)

यह शोध पत्र निष्कर्ष निकालता है कि जबकि शास्त्रीय गेम थ्योरी एक आधार प्रदान करती है, लर्निंग एजेंटों में प्रॉस्पेक्ट थ्योरेटिक प्राथमिकताओं को शामिल करने से उभरते व्यवहार (emergent behaviors) उत्पन्न होते हैं जो अक्सर उप-इष्टतम लेकिन स्थिर होते हैं। AI (EU) और मानव (PT) के बीच की अंतःक्रिया केवल रणनीति में बदलाव नहीं है, बल्कि अभिसरण के परिदृश्य में एक मौलिक परिवर्तन है, जहाँ संदर्भ बिंदु और लॉस एवर्जन एजेंटों को अप्रत्याशित इक्विलिब्रियम की ओर धकेल सकते हैं। भविष्य के कार्यों को वास्तविक दुनिया के अनुप्रयोगों में इन जोखिमों को कम करने के लिए इवोल्यूशनरी गेम थ्योरी और मैकेनिज्म डिज़ाइन पर ध्यान केंद्रित करना चाहिए।