জন ন্যাশ প্রমাণ করেছিলেন যে প্রতিটি সসীম খেলায় একটি সাম্যাবস্থা থাকবেই, কিন্তু তিনি এটি প্রমাণ করেননি যে প্রতিটি সাম্যাবস্থা বাস্তব বুদ্ধিমত্তার মানদণ্ডে যুক্তিসঙ্গত হবে। বহু খেলায় একাধিক ন্যাশ সাম্যাবস্থা বিদ্যমান থাকে, যার মধ্যে কিছু সাম্যাবস্থা টিকে থাকে কেবল এই অলীক ধারণার ওপর যে প্রতিপক্ষ কখনোই সামান্যতম ভুল করবে না। কিন্তু বাস্তব পৃথিবী ও রোবটিক সিস্টেমে শতভাগ নির্ভুলতা একটি অলীক কল্পনা: মানুষের হাত কাঁপে, সফটওয়্যারে মহাজাগতিক রশ্মির প্রভাবে বিট ফ্লিপ হয়, এবং সিদ্ধান্ত গ্রহণে যেকোনো মুহূর্তে ক্ষুদ্রাতিক্ষুদ্র ত্রুটি ঘটতে পারে। ১৯৭৫ সালে রাইনহার্ড সেল্টেন গেম থিওরিতে এক যুগান্তকারী পরিশোধন আনেন: ট্রেম্বলিং-হ্যান্ড পারফেকশন (Trembling-Hand Perfection)। ভুলের বাস্তব সম্ভাবনাকে গণিতের ফ্রেমে আবদ্ধ করে তিনি গেম থিওরিকে দুর্বল ও অলীক ভারসাম্যের হাত থেকে রক্ষা করেন।
দুর্বল আধিপত্যের প্যাথলজি
একটি ২×২ খেলার কথা বিবেচনা করা যাক যেখানে ১ম খেলোয়াড়ের জন্য $T$ চালটি $B$ চালের ওপর দুর্বলভাবে প্রভাবশালী (Weakly Dominant)। অর্থাৎ, প্রতিপক্ষ $L$ দিলে $T$ তাকে ১ লাভ দেয় (যেখানে $B$ দেয় ০), আর প্রতিপক্ষ $R$ দিলে দুটি চালই ০ দেয়। এখানে $(B, R)$ পেয়ারটি প্রযুক্তিগতভাবে একটি ন্যাশ সাম্যাবস্থা, কারণ প্রতিপক্ষ $R$ খেললে ১ম খেলোয়াড় ০ বনাম ০-এর মধ্যে উদাসীন।
কিন্তু এই ভারসাম্যটি অত্যন্ত ভঙ্গুর। ১ম খেলোয়াড় কেন এমন একটি চাল দেবে যা কখনোই তাকে জেতাতে পারে না, বরং প্রতিপক্ষ যদি এক কোটিবারের মধ্যে একবারও ভুল করে $L$ চালে চাপ দেয়, তবে সে নিশ্চিতভাবে ঠকবে? এই অবাস্তব সমাধান দূর করাই ছিল সেল্টেনের উদ্দেশ্য।
পার্টার্বড গেম ও ভুলের সীমানা
সেল্টেন একটি পার্টার্বড গেম কল্পনা করলেন যেখানে খেলোয়াড় যে চাল দিতে চায়, হাত কেঁপে ওঠার কারণে ক্ষুদ্র সম্ভাবনা $epsilon > ০$-তে বিকল্প চালগুলোও অনাকাঙ্ক্ষিতভাবে ঘটে যায়:
$$sigma_i(a) ge epsilon_{ia} > 0$$
এর ফলে পুরো কৌশল সিমপ্লেক্সের ভেতর কোনো চালের সম্ভাবনাই পুরোপুরি শূন্য হতে পারে না। একটি কৌশল প্রোফাইল $sigma^*$ হবে ট্রেম্বলিং-হ্যান্ড পারফেক্ট যদি ভুলের মাত্রা ক্রমান্বয়ে শূন্যের কাছাকাছি নামিয়ে আনার পরেও ($epsilon to ০$) সেই ভারসাম্যটি অক্ষুণ্ণ থাকে:
$$lim_{k to infty} sigma^k = sigma^*$$
আমাদের উদাহরণে, ২য় খেলোয়াড় যদি অতি ক্ষুদ্র সম্ভাবনা $epsilon$-এও ভুল করে $L$ খেলে, তবে ১ম খেলোয়াড়ের জন্য $T$ চালের প্রত্যাশিত আয় হবে $epsilon times ১ > ০$, যা $B$-এর (০) চেয়ে বেশি। ফলে সামান্যতম ভুলের বাতাসেও ভঙ্গুর সাম্যাবস্থা $(B, R)$ ধসে যায় এবং একমাত্র শক্ত ভারসাম্য হিসেবে $(T, L)$ টিকে থাকে।
একটি নিখুঁত কৌশলগত নীতি কেবল শূন্য-ভুলের জগতে কাজ করলেই চলে না; প্রতিপক্ষের সামান্যতম যান্ত্রিক বা মানবিক স্খলনের মুখেও যে নীতি নিজের বিজয় অক্ষুণ্ণ রাখে, একমাত্র সেটিই প্রকৃত সাম্যাবস্থা।
