[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,78 +1,174 @@
|
||||
---
|
||||
id: wiki-2026-0508-prisoners-dilemma-models
|
||||
title: Prisoners Dilemma Models
|
||||
category: 10_Wiki/Topics_GD
|
||||
title: Prisoner's Dilemma Models in Game Design
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [Prisoners Dilemma, PD Game Design, Cooperation Games]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [game-design, game-theory, multiplayer, cooperation, axelrod]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: numpy
|
||||
---
|
||||
|
||||
---
|
||||
redirect_to: "[[게임_디자인_및_가상_경제_시스템]]"
|
||||
canonical_id: "wiki-2026-0507-105"
|
||||
---
|
||||
# Prisoner's Dilemma Models in Game Design
|
||||
|
||||
# Redirect
|
||||
## 매 한 줄
|
||||
> **"매 PD model은 매 multiplayer game design의 매 cooperation tension의 매 mathematical core — 매 individual rational choice가 매 collective suboptimal로 leads하는 매 모든 trust mechanic의 base."** Robert Axelrod 'Evolution of Cooperation' (1984)이 매 iterated PD에서 매 'tit-for-tat' winning strategy 증명. 매 game design에서 매 The Resistance / Werewolf social deduction, 매 EVE Online corp wars, 매 Among Us, 매 Trust (Nicky Case 2017 interactive)까지 매 explicit application 광범. 매 2026 시점, 매 Multi-Agent RL (Llama 3 / Claude 3.5)이 매 inter-agent cooperation 학습에 매 PD framework 활용.
|
||||
|
||||
이 문서는 Canonical 문서인 통합되었습니다.
|
||||
모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
## 매 핵심
|
||||
|
||||
> 죄수의 딜레마는 협력·배신의 게임이론적 기본 모델로, 길드·동맹·PvP의 협력 시스템 디자인에 직접 응용된다.
|
||||
### 매 PD payoff matrix
|
||||
- **Standard PD**: T (Temptation, 5) > R (Reward, 3) > P (Punishment, 1) > S (Sucker, 0).
|
||||
- **Constraint**: 2R > T + S — 매 mutual cooperation이 매 alternating defection보다 better.
|
||||
- **One-shot**: 매 rational defect (Nash). 매 iterated: 매 cooperation 가능.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
### 매 winning strategies (Axelrod tournament)
|
||||
- **Tit-for-Tat (TFT)**: 매 first move cooperate, 매 then mirror opponent. 매 nice + retaliating + forgiving + non-envious.
|
||||
- **Tit-for-Two-Tats**: 매 noise tolerant — 매 2회 연속 defect 후에야 retaliate.
|
||||
- **Generous TFT**: 매 retaliate 90% of time — 매 forgive 10%.
|
||||
- **Pavlov (Win-Stay, Lose-Shift)**: 매 last round 'win' (R or T)이면 매 same action repeat.
|
||||
|
||||
**추출된 패턴:** 1회 게임에선 배신이 우세, 반복 게임에선 협력이 진화 — 반복성·평판이 협력 동력.
|
||||
### 매 game design 응용
|
||||
- **Trust mechanic**: 매 player가 매 다른 player에게 매 currency 맡기면 매 returner는 매 더 많이 받기 가능. EVE Online stockpiling.
|
||||
- **Punishment mechanic**: 매 betrayal에 매 reputation system — 매 public visible defection history.
|
||||
- **Communication tool**: 매 chat / signal로 매 commitment make 가능 — 매 cheap-talk vs costly signal.
|
||||
- **Endgame revelation**: 매 final round 시 매 cooperation 붕괴 (backward induction).
|
||||
|
||||
**세부 내용:**
|
||||
- 페이오프 행렬: T > R > P > S.
|
||||
- 일회성 vs 반복 vs 무한.
|
||||
- 진화 전략: Tit-for-Tat, Pavlov.
|
||||
- 게임 응용: 길드 협력, NPC 평판, PvP 동맹.
|
||||
- Axelrod 토너먼트: 협력 우세 입증.
|
||||
## 💻 패턴
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### IPD simulator
|
||||
```python
|
||||
import numpy as np
|
||||
from typing import Callable
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
PAYOFF = {
|
||||
('C', 'C'): (3, 3),
|
||||
('C', 'D'): (0, 5),
|
||||
('D', 'C'): (5, 0),
|
||||
('D', 'D'): (1, 1),
|
||||
}
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
def play(strat_a: Callable, strat_b: Callable, rounds=200, noise=0.0):
|
||||
history_a, history_b = [], []
|
||||
score_a, score_b = 0, 0
|
||||
for r in range(rounds):
|
||||
move_a = strat_a(history_a, history_b)
|
||||
move_b = strat_b(history_b, history_a)
|
||||
if np.random.random() < noise: move_a = 'D' if move_a == 'C' else 'C'
|
||||
if np.random.random() < noise: move_b = 'D' if move_b == 'C' else 'C'
|
||||
pa, pb = PAYOFF[(move_a, move_b)]
|
||||
score_a += pa; score_b += pb
|
||||
history_a.append(move_a); history_b.append(move_b)
|
||||
return score_a, score_b
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### TFT + variants
|
||||
```python
|
||||
def tit_for_tat(my_hist, opp_hist):
|
||||
return 'C' if not opp_hist else opp_hist[-1]
|
||||
|
||||
- **정보 상태:** draft
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
def tit_for_two_tats(my_hist, opp_hist):
|
||||
if len(opp_hist) < 2: return 'C'
|
||||
return 'D' if opp_hist[-1] == 'D' and opp_hist[-2] == 'D' else 'C'
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
def generous_tft(my_hist, opp_hist):
|
||||
if not opp_hist: return 'C'
|
||||
if opp_hist[-1] == 'D' and np.random.random() < 0.1: return 'C' # 매 forgive
|
||||
return opp_hist[-1]
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
def pavlov(my_hist, opp_hist):
|
||||
if not my_hist: return 'C'
|
||||
last_payoff = PAYOFF[(my_hist[-1], opp_hist[-1])][0]
|
||||
return my_hist[-1] if last_payoff >= 3 else ('D' if my_hist[-1] == 'C' else 'C')
|
||||
```
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
### Reputation system (multiplayer game)
|
||||
```python
|
||||
class Reputation:
|
||||
def __init__(self):
|
||||
self.scores = {} # player_id → reputation float
|
||||
|
||||
- **과거 데이터와의 충돌:** 없음
|
||||
- **정책 변화:** 없음
|
||||
def record_action(self, player: str, action: str, target: str):
|
||||
delta = +0.1 if action == 'cooperate' else -0.3
|
||||
self.scores[player] = self.scores.get(player, 0) + delta
|
||||
self.scores[player] = max(-1, min(1, self.scores[player]))
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
def is_trustworthy(self, player: str) -> bool:
|
||||
return self.scores.get(player, 0) > 0.3
|
||||
```
|
||||
|
||||
- **Parent:** [[10_Wiki/Topics]]
|
||||
- **Related:** *(TODO: 최소 2개)*
|
||||
- **Opposite / Trade-off:** *(TODO)*
|
||||
- **Raw Source:** 직접 입력
|
||||
### Costly signal mechanic
|
||||
```python
|
||||
# 매 player가 매 commitment를 매 escrow로 demonstrate
|
||||
class CostlySignal:
|
||||
def __init__(self):
|
||||
self.escrows = {}
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
def signal_commitment(self, player: str, amount: int):
|
||||
# 매 player가 매 amount를 lock — 매 betray시 매 lose
|
||||
self.escrows[player] = amount
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
def reward_or_punish(self, player: str, betrayed: bool):
|
||||
amt = self.escrows.pop(player, 0)
|
||||
if betrayed:
|
||||
return 0 # 매 escrow 몰수
|
||||
else:
|
||||
return amt + (amt * 0.5) # 매 50% bonus return
|
||||
```
|
||||
|
||||
### Endgame anti-defection (finite-game prevention)
|
||||
```python
|
||||
# 매 final round를 매 hidden — 매 backward induction 차단
|
||||
class HiddenEndgame:
|
||||
def __init__(self, expected_rounds: int, jitter: int):
|
||||
self.actual_rounds = expected_rounds + np.random.randint(-jitter, jitter+1)
|
||||
|
||||
def is_final(self, current_round: int) -> bool:
|
||||
return current_round >= self.actual_rounds
|
||||
# 매 player에게 매 actual_rounds 매 공개 안 함
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Social deduction (Werewolf 식) | 매 information asymmetry + 매 PD |
|
||||
| Persistent MMO | Reputation + costly signal |
|
||||
| Co-op survival (Don't Starve Together) | 매 mutual benefit dominant — 매 PD weak |
|
||||
| Competitive 1v1 | Pure PD only at meta level |
|
||||
| Multi-agent RL | TFT-family baseline |
|
||||
|
||||
**기본값**: 매 iterated PD with reputation + 매 hidden endgame. 매 one-shot은 매 always defect dominant.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Game-Theory]] · [[Multiplayer-Design]]
|
||||
- 변형: [[Iterated-PD]] · [[Public-Goods-Game]] · [[Stag-Hunt]]
|
||||
- 응용: [[The-Resistance-Design]] · [[EVE-Online-Trust]]
|
||||
- Adjacent: [[Axelrod-Tournaments]] · [[Multi-Agent-RL]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 LLM 두 instance를 매 IPD opponent로 simulate — 매 emergent strategy 분석.
|
||||
**언제 X**: 매 deep human social dynamic — 매 emotion / context는 매 LLM-PD simulation으로 안 잡힘.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Pure cooperation reward without defection option**: 매 PD 아닌 just co-op.
|
||||
- **No reputation persistence**: 매 betrayal 후 매 anonymity → 매 cooperation collapse.
|
||||
- **Known finite endgame**: 매 backward induction → 매 always defect.
|
||||
- **No noise tolerance**: 매 single mistake → 매 permanent defection spiral (TFT vs TFT trap).
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified — Axelrod "Evolution of Cooperation" (1984), Nicky Case "The Evolution of Trust" (2017), 매 Multi-Agent RL papers (DeepMind 'Sequential Social Dilemmas' 2017).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — PD payoff matrix, TFT variants, reputation / costly signal / hidden endgame patterns |
|
||||
|
||||
Reference in New Issue
Block a user