关键设施部署博弈AI需分层监管

把博弈AI放进关键基础设施，难点不在于它会不会“下棋”，而在于它开始参与现实系统的策略选择：面对多个主体、不断变化的对手和不完全信息，它可能需要决定如何协同、如何防御、如何在冲突中取舍。这样的能力用于攻防仿真或交互式决策很有吸引力，但一旦策略失误，后果往往不是输掉一局游戏，而是影响更大范围的稳定性。

监管不宜只按“是不是AI”一刀切，更适合看它在系统里握有多大的权力。仅用于离线模拟、辅助分析的模型，重点应放在数据治理、测试记录和结果边界；能够向运行人员提出建议、但不直接执行的系统，则需要让人能理解关键判断依据，并保留复核空间；若模型可以直接影响关键设施运行，监管就应更严格：上线前接受沙箱测试和对抗性测试，运行中保留可追溯的决策记录，出现异常时能迅速降级或退出自动模式。

监管要盯住“对手会变”这件事

博弈AI的特别之处，是它并非只在固定环境里寻找最优答案。自我对弈、对手建模和多智能体强化学习，都会让策略在互动中变化。问题是，训练时表现很强的系统，可能只是特别擅长应付某类对手；换了行为模式，或者有人故意利用它的预期，策略就可能失灵。对关键设施而言，评估不能只看常规场景下的准确或效率，还要问：它会被怎样诱导？遇到陌生策略时会不会冒进？不确定时是否知道停下来交给人？

技术审计之外，还要有责任边界

分层监管也不等于把所有责任推给开发者。部署方决定模型接入什么环节、授予多大权限；开发方需要说明能力边界与已知风险；独立评审则应检验测试是否覆盖了真实的对抗环境。三方如果只在事故后追问“模型为什么这样做”，通常已经太晚。

真正值得讨论的，也许不是要不要让博弈AI进入关键设施，而是哪些决策必须留在人手里，哪些决策可以在清晰约束下交给机器。权限越接近现实控制，验证、审计和退出机制就越不能只是纸面要求。