从一句抱怨开始：“它每次都知道我要挡拆”
以下场景为模拟示例。一场3v3半场篮球，场地按15米乘11米设置，玩家操控的2号后卫最近十场里频繁使用高位挡拆。第四节还剩2分钟，玩家再次叫出挡拆，AI防守者没有绕过掩护，而是直接换防，另一名AI提前卡住了顺下的空切路线。玩家丢球后留言：“它肯定读了我的按键。”
这个结果可能有三种来源：
- AI从过去十场里学到了这位玩家在比分胶着时偏爱高位挡拆，于是提前准备了换防方案。这是战术学习。
- AI在玩家按下挡拆指令的同一帧拿到了输入信号，零延迟地做出反应。这是读取输入。
- AI防守者在关键时刻被悄悄提高了横移速度和抢断成功率。这是数值作弊。
三种情况在画面上可能长得差不多，但只有第一种可以被接受。要分清它们，不能靠感觉，而要靠下面六个维度逐项检查。
六个维度，每一个都要写出“允许”和“越界”
Reaction Time：反应时间有没有人类下限
允许的做法：AI对可见事件的反应有一个下限，并带有随机波动，比如对一次突然变向的反应落在一个合理的区间，疲劳或分心时更慢。
越界的做法：关键时刻反应时间趋近于零，或者只在玩家领先时变快。
检测方法：记录每次AI反应的“事件发生到AI开始动作”的间隔，按比分、比赛时间分组，看分布是否随局势漂移。
Observation：观察是否只来自视野和可见信息
允许的做法：AI球员只能根据自己朝向、视野范围和场上可见的信息判断，比如能看到的持球人位置、队友跑位。
越界的做法：背对传球人的防守者，精确拦截了身后的一脚直塞。
检测方法：在回放中标出AI决策时刻的视野锥，判断其依据的对象是否在可见范围内。
Memory：记忆是否来自真实发生过的比赛
允许的做法：记住玩家在过去几十场里的战术倾向，并随时间衰减，比如三周前的习惯权重降低。
越界的做法：“记忆”里出现了玩家没有在比赛中表现过的信息，比如从阵容配置界面读取了他为下一场准备的战术板。
检测方法：每一条被策略层使用的记忆，都应能追溯到具体的比赛与回合。
Information Boundary：信息边界挡住了什么
这是最核心的一条。AI可以使用的信息，应该与一个坐在场边、看过你所有录像的真人教练相当，不能更多。
| 信息 | 智能对手能否使用 | 原因 |
|---|---|---|
| 球员位置、速度、朝向 | 可以 | 场上可见 |
| 历史比赛中的战术统计 | 可以 | 来自已发生的比赛 |
| 玩家手柄实时输入 | 不可以 | 等于提前知道下一步动作 |
| 玩家未公开的战术设置 | 不可以 | 真人对手看不到 |
| 随机数种子、命中判定结果 | 不可以 | 属于底层系统，不属于比赛信息 |
Decision Delay：决策是否有合理延迟
允许的做法：识别到挡拆后，AI需要一个短暂的判断时间才决定换防还是绕掩护，这段时间可以因球员的比赛阅读能力不同而长短不一。
越界的做法：识别和执行在同一帧完成，且在所有情境下都一样快。
检测方法：比较“战术信号出现”到“AI执行对应方案”的时间差，看是否存在明显短于人类的集中值。
Tactical Adaptation：战术调整能不能被看见和反制
允许的做法：AI在第三节开始针对挡拆换防，玩家改打弱侧空切后，AI需要一段时间才重新调整。
越界的做法：玩家换什么战术，AI在下一回合就同步克制，没有任何适应过程。
检测方法：统计玩家换战术后AI的适应回合数，一个会学习的对手应该表现出“先吃亏、再调整”的过程。
智能AI提高的是决策能力，不是底层属性
把六个维度归到一起，会得到一个很清楚的原则：智能对手可以变得更会选择，但不能变得更快、更壮、更准。
在乐鱼体育的系统设计里，AI球员的速度、力量、投篮命中率由球员属性和比赛状态决定，智能层不能写入这些数值。智能层能改变的是站位、换防选择、传球线路偏好、节奏快慢和何时冒险。难度设置也遵循同样的顺序，优先调整战术、节奏和AI行为，而不是直接修改能力值，这部分可以对照AI动态难度的做法。
这条线之所以重要，是因为玩家对隐形调整非常敏感。竞速游戏里的橡皮筋AI长期被批评为一眼可见且不公平；行业里也有过围绕动态难度的争议，例如2020年针对EA的一起集体诉讼，原告在审阅技术资料后于2021年自愿撤诉，EA公开表示不会在线上多人模式中用动态难度影响胜负。先不论个案，这类争议本身说明：只要玩家怀疑结果被暗中操纵，再聪明的AI也会失去信任。
光有原则不够，还要能被审计
规则写在文档里，玩家看不到。更可靠的做法是让每一次关键判断都留下记录：
- AI在该回合使用了哪些可见信息。
- 调用了哪一条历史记忆，来自哪场比赛。
- 从识别到执行用了多长时间。
- 选择的战术方案，以及被放弃的备选方案。
乐鱼体育的做法是把这些记录和比赛回放绑定保存。有了这些记录，赛后的体育游戏复盘就可以直接告诉玩家：“第四节1分52秒，对手根据你近十场在平局时的挡拆倾向提前换防。”玩家读到这句话，至少知道自己输给的是什么，也知道下一场该怎么变。
一份可以直接对照的自检清单
开发者在上线一个学习型对手前，玩家在怀疑被针对时，都可以用这几条来检查：
- AI的反应时间分布是否随比分变化而漂移。
- AI做出判断时依据的对象，是否在它的视野之内。
- 每一条被使用的记忆，能否追溯到具体比赛。
- 系统是否读取了手柄输入、隐藏设置或随机判定结果。
- 识别到执行之间是否存在稳定的人类级延迟。
- 玩家改变战术后，AI是否表现出需要几个回合才能调整的过程。
- 同一名AI球员在关键时刻的速度、力量、命中率，与平时相比是否有无法解释的上升。
只要最后一条出现“是”，就不必再讨论它学得有多聪明了，那已经是作弊，不是智能。
