[中] 零儲 - My Childhood Game Programmed in Python

在小弟介紹今日主題之前，請各位看看下面數張在討論區的截圖：

若果你開始有似曾相識的感覺，也許你跟我都是香港同一年代的人。「零儲 (俗音: cou5)」、「007入子彈」、「儲波擋」這一個家族的遊戲，在我小學的時代幾乎每個同學都懂得玩。小息時，我走到朋友仔面前，只要雙手一拍，對方馬上會意，開展激戰。甚至到我唸高中時，偶爾一次重提這遊戲，不少同學都有共鳴。

雖則奇蹟地「零儲」滲透港九新界各小學的程度極高、幾乎人人懂玩，但是它的遊戲細則似乎是到處不同。小朋友玩遊戲時，不服輸就隨口自創招式，硬說自己贏了，使到「零儲」的規則時常突變。「零儲」就似成了一個物種，它的基因在物競天擇的小學世界中進化成數個物種，使到這種人傳人的遊戲，規則在以訛傳訛下竟在各小學發展出不同「門派」。

在我的小學中，「零儲」是單挑遊戲，但亦有網民分享了多人混戰的版本；我記憶中，當玩家受到任何傷害時就馬上死亡，但網上亦有變異版新增了「血量」之概念以增加遊戲長度。當然，招式的名稱及效果亦各有不同，甚至有「寵物小精靈」、「龍珠」等主題，可謂百花齊放，可見小學生的創意力非同小可。

雖然各派有別，但核心規則是一樣的：用招式擊敗對手。玩家會而回合制同時出招，但出招會消耗「氣」。玩家可以選擇在任意回合放棄攻擊、改作「儲氣」以增加自身「氣」量，可是如果這樣做，玩家將有機會暴露於對手的攻擊下。隨攻擊或儲氣，玩家亦可防守：不但自身不受傷害，更變相消耗了對方的「氣」。

規則

下面是我的小學最流行的版本：

單對單遊戲，開始時雙方「氣」量為0。每回合雙方同時出招，先以任何招式成功攻擊對方者勝。可用招式如下：

招式種類	招式名稱	所耗「氣」量	效果
儲氣類	儲氣	0	自身「氣」量 +1
防守類	保護	0	防止「開槍」及「龜波氣功」所造成的傷害
攻擊類	開槍	1	攻擊對方 同等攻擊互相抵消，高等攻擊則會壓倒低等攻擊 唯一例外： 開槍」雖為最低等攻擊，但可壓倒「封印」 (引用小學生的語言：「開槍射爆個封印」)
	龜波氣功	2
	降龍十八掌	3
	封印	4
	如來神掌	5

注：記憶中，亦有「反彈」、「上天堂」(6氣攻擊)、「落地獄」(7氣攻擊)、「超級儲氣」(自身「氣」量 +1000)等招式，但它們普遍認受性不大，亦不常見。

高中時我已曾用計算機自定程式功能，按以上規則寫了一個遊戲程式，可以跟AI對打。所以今天我用Python再寫一次亦非難事。不過為了改善遊戲平衡及刺激感，我對規則有以下小修改：

• 開始時，每位玩家有5點生命值及5點「氣」。生命值先跌至零者為輸。
• 如果「開槍」、「龜波氣功」或「降龍十八掌」成功擊中對手，會造成1點傷害；「封印」及「如來神掌」則造成2點傷害。任何被成功防禦、抵消或壓倒的招式不會造成傷害，但所需「氣」量仍會被消耗。
• 當玩家一用「開槍」而玩家二用「封印」，玩家一會消耗1點「氣」而不受傷害；反之玩家二不但會消耗4點「氣」，更會受到「開槍」帶來的1點傷害。
• 當任何玩家生命值等於1時，他用「儲氣」會有自身「氣」量 +2 的效果。

Code

The following code is written in Python 3.7.4:
程式有四大模式：

• 正常(雙玩家)模式：按螢幕指示按enter則可進入，每位玩家輪流輸入指令。
• 單打/AI模式： 開始程式時輸入「AI mode」後按enter，玩家會與一個簡單AI對局。
• 觀察模式：開始程式時輸入「Observer mode」後按enter，可觀察兩個簡單AI對局。
• 經典模式：開始程式時輸入「Classic mode」後按enter，程式會改用小學經典規則。

Directions for future research

Back to English baby.

As a case study in Game Theory (Analysis of Sequential Game)

The longer I look into this programme, the more I think about it in Game Theory. It is a finite sequential game, each round involving a simultaneous game – by Nash’s Existence Theorem, of course there should be a Nash Equilibrium somewhere.

Problem arises when you actually try to solve the game in textbook approaches, and you will find that it is an enormous complicated job. I might write on that in the future, and explore whether there is a systematic approach to solve this kind of sequential game where the action opportunity expands and shrinks as the game goes on (due to the existence of the MP system).

As a subject in Evolutionary Machine Learning 

The AI coded here is a dumb AI. It rolls a dice then acts accordingly, with no rational strategy to follow. Could machine learning be applied to write an AI that can beat humans using strategies? Could I code such that in a natural-selection manner, hundreds of thousands of dumb AI fight each other and evolutionarily mutate along the way, until one comes out on top with a supreme strategy that it can beat all its peers? How would that strategy be supported in a Nash Equilibrium? I am still very new to the field of machine learning, and I might return to this topic in the future.

明日百變，我沒有芳心能許