如果要訓練AI當策略遊戲的平衡還有拿來當AI的思維：
先分類型 規則多的或者數值多的
規則多的基本上必須以decision tree為主的方式去設計AI
數值多的話則很好套用hidden layer的概念
當然是建議規則類型能減少就減少，畢竟越多規則會造成複雜的程式碼
魔法風雲會就是規則多 然後多到還有官方出被自己方官方禁卡的智障行為
寫成程式當然也是超級麻煩
訓練過程可以定義方向會方便很多，比如戰棋或者卡牌或者RTS有"勝負"
因為可以定義勝負了，所以可以採用強化學習(Reinforcement learning)去讓AI左右互搏
學到一定程度之後，檢查"strategy space" 和 "strategic depth"
如果Strategy Space太小就是平衡太差，
好的平衡就是盡可能擴大Strategy Space 從這個定義可以看出訓練上的困難，
因為AI訓練是要找一個最好可以收斂的方向，比如勝率最終雙方會趨於50:50
(一般來說通常有先發優勢，可能是55:45，舉例來說，麻將就是25:25:25:25，四個高手
一起打就是平均值在平手。)
問題是我們想要並不是一個收斂的結果，而是盡可能發散的Strategy Space。
反向傳播(Backpropagation)訓練AI是只能往收斂走，無法往發散走的。
從AI概念可以推論出真把平衡做好的很難
玩遊戲也可以看出這種天生的非對稱性：
策略遊戲玩家經常可以找到較好的策略，甚至因為某幾招特別好用，大家都用同一招了
策略遊戲製作團隊卻難以找到好的平衡，
比如Blizzard遇到平衡問題，就是先nerf再說"我們覺得這樣很cool。"