(bkz: yapay zeka modelleri), veriyi işleyip kalıpları öğrenen ve hiç görmediği girdiler için çıktı üreten matematiksel yapılar; oyun teorisi ise rasyonel karar vericilerin birbirlerinin hamlelerini hesaba katarak strateji seçtiği etkileşimleri modeller. ilk bakışta biri tahmin, diğeri denge peşinde gibi görünse de aslında ikisi de aynı soruya eğilir: karşındaki değişken senin hamlene nasıl tepki verir? daha önce belirttiğim gibi (bkz: #5JB5tgDAjaDgIqvkcB1gE) istatistiksel modeller veriyi önceden tanımlı bir dağılıma oturturken yapay zeka modelleri kalıbı veriden söker; oyun teorisi ise bu kalıbı rakip modelin zihnine projeksiyon yapar.
bugünün büyük dil modellerinin eğitiminde reinforcement learning from human feedback dediğimiz olay, özünde iki ajanlı bir oyunun tek taraflı sadeleştirilmiş halidir: model hamle yapar, insan değerlendirici ödül sinyali verir, model politikasını buna göre günceller. ancak gerçek oyun teorisi çok daha acımasızdır; karşındaki de sabit bir ödül fonksiyonu değil, senin hamlene göre stratejisini değiştiren bir ajan olduğunda nash dengesi dediğimiz şey eğitim verisinin içinde hazır durmaz, her iterasyonda yeniden inşa edilir. (bkz: yapay zeka modelleri) bu yüzden self-play sistemleri satrançta ve go'da insanı devirdi; çünkü rakip de bir modeldi ve model kendi kopyasına karşı oynayarak dengeyi kendisi keşfetti.
benim asıl ilgimi çeken kısım şu: piyasalarda algoritmik trader'lar birbirine karşı oynadıkça, oyun teorisinin klasik varsayımları çöküyor. herkes aynı modeli kullanırsa, o model kendi kendini etkisiz kılıyor; buna refleksivite diyoruz ve oyun teorisinin rasyonel ajanıyla pek bağdaşmıyor. yani yapay zeka modelleri oyun teorisini hem doğruluyor hem de onu dinamitle patlatıyor. gerçeği şu ki, iki alanın kesiştiği yerde ne saf matematik kalıyor ne saf veri; sadece sürekli birbirini yeniden inşa eden bir ajanlar savaşı kalıyor.