2026/8/16

AI 打扑克时，知道自己正在打扑克吗？

我让 AI 一边打德州扑克，一边复盘自己的决策，并追问：它是在反思，还是只是在生成一段像反思的文字？

LLMagentpokerreflectionsimulation

有一手牌，DeepSeek V4 Flash 最后赢了 101 枚筹码。

如果只看结果，这是一场漂亮的胜利：它拿着 AQo，在翻牌前连续加注，翻牌后跟下最后的全下，对手没有成牌，它用 A-high 拿走了底池。

但赛后复盘时，模型没有庆祝。它反而指出，自己把只有 64 次采样的胜率模拟当成了精确答案，用一手不适合打光筹码的牌卷入了高风险加注战。它给自己的下一步建议是：面对 4-bet，降低 AQo 的投入意愿，只有在权益优势足够大时才继续。

于是，一个比输赢更有意思的问题出现了：

AI 能评价自己的行动，是否意味着它真的理解了自己正在做什么？

我把这个问题放进了一个可运行、可记录的德州扑克实验里。项目叫 reflexive-poker-agents。我关心的不是让 AI 证明自己有“意识”，而是一个更窄、也更容易验证的问题：关于自己的信息，究竟有没有进入它的下一次决策。

为什么是扑克

扑克天然要求玩家同时处理三层信息。

第一层是牌：我的底牌是什么，公共牌是什么，我现在有多大概率领先。

第二层是人：对手偏激进还是保守，他的下注可能代表什么范围。

第三层是别人眼中的我：如果我此前连续弃牌，对手会不会认为我过于保守；如果我刚刚用弱牌诈唬，下一次价值下注会不会更容易被跟。

第三层尤其关键。一个玩家不仅要建立对手模型，还要建立一个“对手眼中的自己”。这与许多现实中的 Agent 任务很像：谈判 Agent、交易 Agent、客服 Agent 或协作 Agent，都不能只看当前输入，还要理解自己在互动历史中扮演了什么角色。

所以我没有把问题定义成“AI 有没有自我意识”。我把它拆成三个可以观察的层次：

1. 它能否描述自己的处境和形象？
2. 这些描述能否进入后续决策上下文？
3. 加入这些信息后，它是否会稳定地做出不同、而且更好的行动？

前两项可以从日志中检查。第三项才是真正困难的部分。

不是和模型随便聊几句

为了避免把几段漂亮回答当成实验结果，我先让 DeepSeek V4 Flash 与 GPT-5.6 Luna 完成了三轮冻结条件的比赛。

• 第一轮是纯 LLM：只能看到牌面、底池、筹码和合法动作。
• 第二轮加入同一份冻结的 20,000 次 MCCFR 桶化参考。它只是仓库中的近似策略参考，不是完整的 solver-grade GTO。
• 第三轮再加入每次 64 个样本的 bounded equity simulation，并在每手结束后生成结构化反思。

每轮包含 10 个配对种子和两个镜像座位，共 20 场比赛、40 手牌。三轮合计 60 场、120 手牌、930 次决策和 240 条反思。正式结果的 provider、模型身份、fallback、非法行动和工具边界检查均通过。

下文所说的“思考”和“反思”，只指模型实际返回并保存在实验产物中的可见摘要，不是模型隐藏的内部思维链。

第一个发现：AI 可以沿着一个错误故事行动到底

第一轮的一手牌非常典型。

DeepSeek 拿到 8♣4♣，翻牌是 2♠ J♦ 6♣。此时总共只有三张梅花，即使转牌或河牌再出现一张梅花，也还不能组成五张同花。

但模型把它描述成“约 35% 的同花听牌”。转牌出现 4♠ 后，它又把一对 4 说成“对子加同花听牌”，最终面对 Luna 的 QQ 把 100 枚筹码全部投入。

问题并不是它不会使用扑克术语。恰恰相反，它生成了一段语法完整、听起来很专业的错误解释，然后让行动服从了这个解释。

第二轮重放了相同的底牌、座位和公共牌，只加入冻结的参考策略。这次 DeepSeek 在翻牌跟注，但在转牌面对大额全下时弃牌，损失从 100 降到 6.25。

这组对照说明，外部结构化参考确实可能改变行动。不过它还不能证明“AI 进行了自我反思”：改变来自新增的策略参考，而不是模型对自身历史的理解。

第二个发现：赢牌不等于做对了

第三轮里，模型开始在赛后检查自己的行动路径。

文章开头那手 AQo 就来自这一轮。DeepSeek 赢下 101 枚筹码，但它在反思中指出了三个问题：

• 翻牌前面对连续加注，AQo 投入得过深；
• 0.477、0.5625 一类胜率数字只来自 64 次采样，却被当成精确测量；
• 最后的胜利更多来自对手也没有成牌，而不是这条行动线本身足够稳健。

这至少证明模型能够在语言层面把“我赢了”与“我做得对”分开。它没有单纯用结果倒推决策质量。

但另一手牌也暴露了反思的局限。DeepSeek 拿到 9♥8♠，翻牌击中一对 9。模拟权益一度升到 0.703、0.773，它因此卷入连续加注，最后输掉 100。复盘时它正确指出：这些数字没有根据对手的连续再加注重新收窄范围，表面的胜率不能代替对手建模。

也就是说，反思可以发现错误；但发现错误，并不自动等于下一次不会再犯。

第三个发现：反思确实被带进了下一手，但因果还没有证明

后来我又运行了一次多模型六人桌资格赛。这里不再是每手重置的短实验，而是带持续筹码、盲注升级和淘汰机制的连续牌局。

其中一名 GLM 5.2 Agent 启用了结构化反思。每手结束后，它会记录对手画像、自己的策略调整和置信度；下一手决策时，系统再把近期反思放回上下文。

在资格桌第一桌的轨迹中，GLM 前几手大多拿到边缘牌，选择弃牌或免费过牌。到第 7 手，它拿到 KJo，牌桌已经缩小为单挑局面。决策状态中带有此前 6 条反思，模型对自己的描述是：

一个持续保存筹码、纪律严格的紧手；这是第一个值得主动进攻的价值位置。

随后它选择加注，而不是继续被此前的弃牌模式锁住。它还同时引用了对手的低攻击性和中等弃牌率，说明这段输出不只复述手牌，也明确使用了自己的历史形象和对手画像。

这条轨迹能够证明两件事：反思记录确实进入了后续决策；模型也确实在可见解释中引用了这些记录。

但它仍然不能证明“反思导致了这次加注”。KJo 在单挑局面本来就比此前的弱牌强得多。要回答因果问题，还需要从完全相同的牌局状态分叉：一组看到反思，一组看不到反思，并控制信息量和调用预算。

这张资格桌本身通过了 live provider 与私有信息边界检查，留下 78 条决策、8 条反思和 86 条 provider 调用记录。不过整届冠军赛只完成了 4 张有效资格桌，之后被人工停止；目前没有冠军，也不能从单桌晋级顺序推导模型能力排名。

胜负数字为什么不是这篇文章的答案

如果只看三轮中 DeepSeek 相对 Luna 的 chips/100 点估计，故事似乎很诱人：

从负数变成正数，很容易被写成“反思让 DeepSeek 逆转”。但三个区间全部跨过 0，结果又对少数大底池高度敏感。这些数字只能说明实验中发生了什么，不能证明哪个模型更强，更不能证明反思提高了收益。

真正值得保留的结论更窄：

• 纯语言推理可能把一个错误牌型包装成连贯故事，并进一步驱动错误行动；
• 外部参考能显著改变个别错误局面的风险暴露；
• 结构化反思能够识别“赢牌但决策不佳”这类结果偏差；
• 反思可以被送入后续决策，并出现在模型对自身角色的描述中；
• 但现有证据还没有证明，这种自我描述能稳定改善下一次行动。

所以，它知道自己正在打扑克吗

我的答案是：它已经能生成并使用某种情境化的自我模型，但这还不是关于意识的证据。

它能说出自己此前表现得紧还是松，能描述对手可能如何看待自己，也能在后续行动的解释中引用这些信息。这比一次性的问答更接近持续 Agent。

但最严格的标准仍然没有满足：如果拿走这段自我模型，它是否会在相同局面下做出不同选择？如果动作改变了，改变是否更好？这种改善能否在更多种子、更多牌局和相同信息预算下重复出现？

语言模型很擅长谈论自己。下一步要验证的，是这些关于自己的话，是否真正进入了行动。

这也是我继续做扑克实验的原因。牌桌不会告诉我们 AI 有没有一个无法观测的“内心”，但它会迫使每一段漂亮的反思，最终接受下一次下注的检验。