AI学习博弈论，可在拍卖场上给出竞价策略

在过去的几十年里，计算机科学家一直在研究将博弈论和人工智能（AI）工具应用于国际象棋、抽象策略棋盘游戏或其他游戏中。博弈论的另一个有价值的用途是在经济学中，特别是作为一个框架来解释市场中的战略互动及其结果。

为使博弈论在经济学中更好地应用，人们设计的最常见的理论结构之一就是拍卖理论。拍卖理论是博弈论的一种应用，它具体描述了不同竞标者在拍卖市场上的行为方式。拍卖理论包括升价拍卖、降价拍卖和两种密封式竞价。

然而，在把拍卖理论应用于具有多个销售项目的现实市场中时，推测拍卖的出价策略是非常具有挑战性的。在博弈论中，当任何玩家（或竞标者）在考虑了对手的选择后，都无法改善他们所选择的策略时，就会出现贝叶斯纳什均衡（BNE）。

过去的研究引入了几种数字技术，可用于学习拍卖。但它们的使用范围仅限于简单的单物拍卖。

慕尼黑工业大学的研究人员最近开发了一种新的机器学习技术，可用于更复杂的情况。在《自然·机器智能》杂志上发表的一篇论文中介绍了这种技术，其工作原理是将策略表示为神经网络，然后在与竞标者对弈时，应用基于梯度算法的策略迭代。

在他们未来的研究中，Bichler和他的同事们希望在不同的场景中测试他们的技术，并确保其具有优秀的通用性。此外，他们还计划开发出能够在更广泛的博弈论相关问题中自动计算均衡的工具。

该研究论文题为"Learning equilibria in symmetric auction games using artificial neural networks"，已发表在《自然·机器智能》期刊上。主要作者为Martin Bichler。

前瞻经济学人APP资讯组

参考资料：https://techxplore.com/news/2021-09-machine-technique-local-equilibria-symmetric.html