策略指南

基本原理

剪刀石頭布的每一回合都是零和賽局：石頭砸爛剪刀，剪刀剪破布，布包住石頭。每一手都剛好贏過一個、輸給一個。這個遊戲完全平衡，沒有任何一手天生比較強。

這種對稱性讓均等隨機成為一個站得住腳的基準。重複的人類選擇仍可能包含條件式的模式，但在某一個實驗室設計中觀察到的模式，並不是適用於每位玩家或每場比賽的定律。

納許均衡

對標準的零和報酬矩陣而言，唯一的混合策略納許均衡，是各自獨立地以各 1/3 的機率選擇石頭、布、剪刀。面對這個策略，沒有任何對手能透過改變自己的組合而獲得正的期望值。

均等隨機是一個安全基準，而不是保證每場短比賽都會打平，也不代表人類會照著做。Wang 等人（2014）與 Dyson 等人（2016）在特定的重複對局實驗中報告了條件式行為。這些發現支持去測試針對特定對手的判讀；它們並不支持假定每個贏家都會重複、每個輸家都會換手，或每一次開局都偏向石頭。

利用人類的偏誤

重複對局的研究測量到了偏離獨立均等隨機的情形，但方向與幅度取決於參與者、誘因、對手、回饋與回合數：

2. 贏了就留、輸了就換（WSLS）

在一項 2014 年的實驗室實驗中，360 位浙江大學學生在六人小組中以隨機配對與現金誘因進行 300 回合。研究者模擬了依結果而定的留手與輪換機率，並觀察到持續存在的群體層級循環。這常被簡化為「贏了就留、輸了就換」，但論文報告的是一套更豐富的條件反應系統。

一項 2016 年的實驗讓 31 位大學部學生對戰均等隨機的電腦 225 回合，發現在輸掉與平手之後換手的情形顯著較多。贏了之後留手只是一個數值上、不顯著的傾向，而偏好出石頭同樣不顯著。請把前一回合的結果當成一項需要測試的特徵，而不是保證成立的預測。

3. 反重複偏誤

刻意產生隨機序列的人，常常交替得太頻繁或避免連續，但表現會隨任務與指示而改變。重複出拳本身並不是證據：在獨立的均等隨機下，連出三次石頭的機率與任何一個有名字的三手序列相同。

新手該避免的錯誤

競技對戰的進階戰術

動態對手建模

記錄對手的出拳與前一回合的結果，再把候選規則與一個均衡的基準相比較。三到五個回合足以形成一個假設，但不足以確立一個穩定的傾向。持續測試，當後續的出拳不支持你的判讀時，就把它放棄。

招式

一個私下預先決定的序列可以減少臨場反應式的選擇，但固定的三手劇本若被重複使用，就會被利用。產生或挑選沒有明顯結構的序列，每個序列最多只照計畫使用，而且在沒有資料的情況下，不要宣稱某個有名字的序列能剋制某一類玩家。

AI 與演算法打法

軟體能測試的候選模式比人類能追蹤的更多，但預測仍取決於可重複的訊號，以及誠實的樣本外評估：

• 條件模型：根據一個有限的近期狀態（例如前一手與其結果）來估計下一手。只有當這種相依性持續存在時，它們才有幫助。
• 機器學習：只有在累積足夠多針對特定對手的範例之後，才去擬合更複雜的傾向，然後用模型沒有訓練過的出拳來評估。記住資料並不等於預測未來的打法。

人類也可以用一張簡單的計數表實踐同樣的紀律：在押注某個模式之前先定義它，計算成功與失敗的次數，並在樣本無法下定論時回到均等隨機。

測試與重設的練習計畫

請把這當成一套可被證偽的練習流程，而不是對所有參賽者的斷言：

1. 從均衡開始：一邊記錄對手的出拳與前一回合的結果，一邊用獨立、大致均等的選擇出拳。
2. 測試一個判讀：當某個特定的條件傾向反覆出現時，在有限次數的出拳中選擇剋制它的手勢，並記錄它的預測是否比機率更好。
3. 迅速重設：如果判讀變弱了，就回到均衡的基準。當觀察結果不再支持某個誘人的說法時，別再繼續為它付出代價。

短比賽包含大量的抽樣雜訊。要用許多可比較的決策來評估一套方法，把練習與正式成績分開，也絕不要把一次成功的猜測說成實力的證明。

剪刀石頭布怎麼贏

適用於重複對局、站得住腳的步驟：

1. 從 1/3、1/3、1/3 開始。如果你想體會獨立均等的打法是什麼感覺，練習時就用真正的亂數產生器。
2. 定義你的判讀。「這位對手輸了之後會出剪刀」是可以測試的；「他看起來很緊張」還不算是一個預測。
3. 允許連續。獨立的隨機打法本來就會包含重複，所以硬逼自己換手，反而可能製造出對手正需要的那種模式。
4. 計算每一次測試。把沒猜中的和猜中的一樣仔細記錄下來，並在把某個模式視為穩定之前，要求比寥寥幾個回合更多的資料。
5. 不確定時就重設。當針對特定對手的證據薄弱或已經改變時，均等隨機能保護你的期望值。