这篇发表于 2026 年 5 月 4 日的 arXiv 论文（编号 2605.16315，作者 Arahan Kujur，归类于机器学习 cs.LG 与人工智能 cs.AI）研究了一个在自我对弈强化学习中长期被忽视的问题：智能体在非对称规则扰动下究竟为何会崩溃，以及是否存在一个可以清晰界定的结构性临界点。论文的核心主张是，决定崩溃与否的关键并不在于扰动本身，而在于智能体的“决策能力”是否被压缩到某个阈值之下。
作者将研究设定在多种博弈环境中，包括多种扑克变体、矩阵博弈以及一个骰子游戏，并测试了多种学习算法。实验显示出一个高度一致的现象：当环境中所有“正可达的依情形决策”（positive-reach contingent decisions）被消除后，自我对弈的智能体会迅速收敛到一个确定性的剥削性吸引子，也就是一个接近最大损失的固定点。换句话说，智能体并非缓慢退化，而是在决策空间被削减到极限时突然坠入一个稳定但极差的状态。
更具启发性的是临界点的锐利性。研究指出，只要保留哪怕一个正可达的依情形决策点，这种崩溃就可以被避免。这意味着系统存在一个位于零可达加权依情形行动能力处的尖锐阈值：越过它就崩溃，守住它就维持。与此同时，在测试的各个领域中，崩溃的严重程度会随可达加权能力的减少而连续地加重，因此阈值是离散而锐利的，但损害程度是渐变的。
论文特别强调了机制归因的问题。为了排除“扰动本身导致失败”这一替代解释，作者设置了一个冻结基线（frozen baseline）以及固定对手的对照实验。这些对照表明，真正的机制是在约束条件下发生的共同适应（co-adaptation），而非规则扰动直接造成的破坏。这一区分对于理解自我对弈训练中的失败模式十分重要，因为它把责任从外部规则变化转移到了智能体与对手相互塑造的动态过程上。
作者还报告了该现象的若干性质。首先，它是时间无关的（timing-invariant），也就是说崩溃并不依赖于扰动出现的具体时机。其次，它是完全可逆的：一旦恢复被移除的行动，系统就能从崩溃状态中恢复。第三，在使用函数逼近（function approximation）时，这一现象会加剧，说明在实际常用的深度强化学习设定下，该风险可能更为突出。
在方法学层面，论文涵盖 18 页、7 幅图，涉及博弈论与多智能体学习等交叉领域，其 MSC 分类包括 91A05、91A26、68T05、68T42，ACM 分类包括 I.2.6、I.2.8、F.2.2。作者据此提出，在测试的各个博弈域中，自我对弈强化学习存在一个以零可达加权依情形行动能力为标志的清晰结构性阈值，而崩溃的严重程度则通过可达加权能力连续缩放。
总体而言，这项工作的意义在于把自我对弈训练中的失败从经验性的调参问题提升为一种具有结构性解释的现象：决策空间的多样性，尤其是那些在均衡路径上仍有正概率被触及的依情形选择，是维持稳定共同适应的重要资源。一旦这种资源被完全抹除，协作与对抗的动态就会坍缩为可预测的剥削均衡。