游戏人工智能（Game AI）的决策机制与传统搜索问题截然不同。它不只是寻找一条路径，而是在对手试图阻挠你的同时，做出自己的最佳行动。因此，博弈决策需要一种独特的结构。
Minimax算法的核心思想在于：在博弈搜索中，每一步都会产生一个新状态。但与简单的路径查找不同，下一个状态并非完全由你控制，你的对手也会做出选择。所以，算法必须回答一个关键问题：“如果对手也发挥出色，我的最佳选择是什么？”这个问题正是Minimax算法的精髓。
一个典型的游戏决策流程包括：当前棋盘状态 → 可能的移动 → 对手响应 → 评估局面分数 → 选择最佳移动。Minimax算法将这一理念具体化为：
- MAX玩家试图最大化分数
- MIN玩家试图最小化分数
- 最终决策假设双方玩家都将采取最优策略
因此，游戏AI不仅是选择一个好的移动，更是选择一个能在对手的最佳响应下生存并取得优势的移动。
从实现角度看，Minimax算法是一个递归搜索问题。其高层逻辑如下所示：
function minimax(state, depth, maximizing_player):
if state is terminal or depth is 0:
return evaluate(state)
if maximizing_player:
best_score = -infinity
for each possible move:
score = minimax(next_state, depth - 1, false)
best_score = max(best_score, score)
return best_score
else:
best_score = +infinity
for each possible move:
score = minimax(next_state, depth - 1, true)
best_score = min(best_score, score)
return best_score
这种结构将对对手的感知决策转化为一个可解决的递归搜索问题，这正是Minimax算法的强大之处。
举一个具体例子，设想一个简单的棋盘游戏，你有三个可能的移动：A、B、C。一个天真的AI可能会选择移动A，因为它当前的局面分数看起来最高。然而，Minimax会提出一个更深层的问题：“在我选择移动A之后，对手能做什么？”如果移动A使得对手可以在下一回合获胜，那么它实际上并不是一个好的选择。Minimax通过向前展望来避免这种陷阱。
天真选择与Minimax的关键区别在于：
- 天真选择：仅评估当前移动；忽略对手的最佳响应；容易陷入明显的陷阱。
- Minimax：评估未来状态；假设对手采取最优策略；选择在最坏情况下结果仍然是最好的移动。
所以，Minimax不仅仅是“选择分数最高的移动”，而是“选择在对手采取最佳策略时，自己的最坏结果仍然是最佳的那个移动”。这是其核心思想。
在小型游戏中，AI或许可以搜索到游戏结束。但在真实世界的游戏中，博弈树会变得过于庞大。我们无法评估每一个可能的未来状态。因此，需要在一个有限的深度处停止搜索，并对当前局面进行估计。这种估计就是启发式函数（heuristic function）。
