策略指南

基本功

石头剪刀布的每一轮都是零和博弈：石头砸坏剪刀，剪刀剪开布，布包住石头。每一手恰好赢一手、输一手。这个游戏完美平衡，没有哪一手天生更强。

这种对称性使等概率随机成为一个站得住脚的基准。重复的人类选择仍可能包含条件规律，但在某一种实验室设计中观察到的规律，并不是适用于每个选手或每场比赛的定律。

纳什均衡

对于标准的零和收益矩阵，唯一的混合策略纳什均衡是以各 1/3 的概率独立地出石头、布和剪刀。面对这种策略，任何对手都无法通过改变自己的出手比例获得正的期望值。

等概率随机是一个安全基准，并不保证每场短比赛都会打平，也不代表人类会遵循它。Wang 等人（2014）和 Dyson 等人（2016）在特定的重复对局实验中报告了条件行为。这些发现支持检验针对具体对手的判读；它们并不支持假定每个赢家都会重复、每个输家都会换手，或每个开局都偏向石头。

利用人类的偏差

重复对局研究测量到了对独立等概率随机的偏离，但方向和大小取决于参与者、激励、对手、反馈和回合数：

2. 赢了不变、输了就换（WSLS）

在 2014 年的一项实验室实验中，360 名浙江大学学生在六人小组中随机配对、在现金激励下进行了 300 轮对局。研究者对依结果而定的保持与轮换概率进行建模，并观察到持续存在的群体层面循环。这常被概括为“赢了不变、输了就换”，但论文报告的是一套更丰富的条件反应体系。

2016 年的一项实验让 31 名本科生与一台等概率随机的电脑进行 225 轮对局，发现输和平之后的换手显著增多。赢后保持只是一种数值上的、不显著的倾向，过多选择石头同样不显著。把前一手的结果当作一个需要检验的特征，而不是有保证的预测。

3. 反重复偏差

人们在刻意生成随机序列时，常常换手过多或回避连续重复，但表现会随任务和指示而变化。一次重复的出手本身并不是证据：在独立等概率随机下，连出三次石头与任何有名字的三手序列的概率相同。

新手要避开的错误

竞技对局的高阶战术

动态对手建模

记录对手的出手和之前的结果，然后把候选规则与一个均衡基准进行比较。三到五轮足以形成一个假设，但不足以确立一种稳定的倾向。持续检验，当后续出手不支持某个判读时就放弃它。

套路

私下预先定好的序列可以减少被动反应式的选择，但一个固定的三手剧本如果重复使用就会被利用。生成或选择没有可见结构的序列，每个序列最多按计划使用，在没有数据的情况下，不要声称某个有名字的序列能克制某一类选手。

AI 与算法对局

软件能检验的候选规律比人能追踪的更多，但预测仍然取决于可重复的信号和诚实的样本外评估：

• 条件模型：根据有限的近期状态（例如上一手和结果）来估计下一手。只有当这种依赖关系持续存在时，它们才有用。
• 机器学习：只有在积累了足够多针对该对手的样本之后，才去拟合更复杂的倾向，然后在模型未训练过的出手上进行评估。记住数据不等于预测未来的出手。

人也可以用一张简单的计数表来实践同样的纪律：在押注某个规律之前先定义它，统计成功和失败次数，当样本无法下结论时回到等概率随机。

检验与重置练习计划

把这当作一套可证伪的练习流程，而不是关于所有参赛者的论断：

1. 从均衡开始：独立地、大致均等地出手，同时记录对手的出手和之前的结果。
2. 检验一个判读：当某种特定的条件倾向反复出现时，在有限的出手次数内选择它的克制手势，并记录它的预测是否好于随机。
3. 快速重置：如果判读变弱，就回到均衡基准。在观察结果不再支持之后，不要继续为一个动听的故事买单。

短比赛包含大量抽样噪声。要在许多可比较的决策上评判一种方法，把练习与正式成绩分开，永远不要把一次猜中说成实力的证明。

石头剪刀布怎么才能赢

一套站得住脚的重复对局流程：

1. 从 1/3、1/3、1/3 开始。如果你想体会独立等概率出手是什么感觉，练习时就用一个真正的随机器。
2. 定义你的判读。“这个对手输了之后会出剪刀”是可检验的；“他看起来很紧张”还算不上预测。
3. 允许连续重复。独立的随机出手本来就会包含重复，因此强迫自己换手反而可能制造出对手正需要的那种规律。
4. 每次检验都要计数。像记录命中一样认真记录失误，并且在把某个规律视为稳定之前，要求远不止几轮的数据。
5. 不确定时就重置。当针对该对手的证据薄弱或已经变化时，等概率随机能保护你的期望值。