Iterated（迭代博弈）指同一批智能体在多轮重复交互中不断调整策略的博弈设定，是研究 AI 合作与均衡的核心框架。与传统一次性博弈不同，Iterated 结构让参与者可以通过历史行为建立信任或惩罚背叛，因此被广泛用于检验大模型智能体和多智能体系统在长期互动中能否形成稳定合作。
Iterated 博弈的近期进展
当前焦点与观察点
当前 Iterated 研究的争议集中在两点：一是 LLM 智能体是否真正理解“未来影响现在”的迭代逻辑，还是仅靠表面策略模式；二是互惠、惩罚等经典机制在无共享奖励的真实场景中能否迁移。工程侧的迭代式优化也在延伸——如 Optimizing Appliance Scheduling for Solar Energy Management Using Metaheuristic Algorithms 将元启发式算法用于太阳能管理的电器调度，本质上是迭代寻优思想在能源场景的落地。
值得持续观察的方向包括：迭代合作均衡的可复现性、大模型智能体在多轮博弈中的策略可解释性，以及迭代方法从学术基准走向实际调度与协作系统的路径。