碧澜港的守宴人

一、碧澜港的醉月宴

碧澜港有九家酒坊，各家酿法不同，谁也摸不准哪一家的欢愉最得人心。

每年渔汛散去、商船归港的时节，港里要办一连七七四十九夜的"醉月宴"。宴上最要紧的一桩事，由年轻的守宴人阿砚掌管：每入夜，他得从九家酒坊里只挑一家，作为当夜大堂正中那瓮"今夜之选"。

挑哪一家，全港人的舌头当晚就只认这一家。宾客饮过，由评宴官在玉牌上记一个"欢愉度"，从零到一百，越乐呵分越高。

"这有何难，"阿砚头一夜想，"头一夜闭眼抓阄便是。"

头七夜，他真就轮着来，一家一瓮。可第七夜散宴，老酿师杞翁捻着胡须摇头："你这七夜，三家酿得平平，两家还惹了宾客皱眉，白白糟蹋了七个好夜。"

阿砚讪讪："我不试，怎知哪家好？"

"试，是要试，"杞翁笑，"可你总得想清楚——往后的四十几夜，每一夜都只能供一家，你是要守着已尝过的甜，还是去碰没准更好的？"

二、评酿翁老杞的账册

第九夜，阿砚把前八夜的玉牌摊在杞翁面前，请他指条明路。

杞翁不急着说哪家好，只取一册空账，在九页上各写一家酒坊的名号，又添两栏："被选几次"、"平均欢愉"。

"你瞧，"他点着账册，"醉仙居被挑过三回，平均分七十二；满堂红也被挑过三回，平均分八十九。若只按这账面，明夜该供满堂红。"

阿砚点头："那便供满堂红。"

"且慢，"杞翁按住他的手，"满堂红那三回，头一回恰逢宾客都是好酒的汉子，分给得高；醉仙居那三回，有一回正赶上一船人晕船，谁也喝不进甜。你敢说，账面的高低，就是九家的真本事？"

阿砚一愣。他忽然懂了杞翁的意思：账面上的平均分，是试出来的，试得少的那几家，分数里掺着运气，当不得真。

"那怎么办？"阿砚问，"总不能四十几夜都拿不准。"

杞翁提笔，在账册每一页的"平均欢愉"旁，又添了一栏，名唤"偏账"。

三、乐观的偏账

"我教你我年轻时学来的一招，"杞翁说，"每夜供酒前，你给每家都算一笔'总评'：总评 = 平均欢愉 + 偏账。"

他指着"偏账"那栏："这一栏，专给试得少的酒坊长脸。一家若只被挑过一两回，偏账就大，总评便被抬上去；挑得越多，偏账越小，渐渐就剩个实在的平均分。"

阿砚皱眉："那岂不是总在偏袒没试过的？"

"不是偏袒，是给它们一个证明自己的机会，"杞翁正色，"一家只试过一回，你不知它是真好还是碰巧；一家试过三十回还平平，那平平便是它的真面目。偏账要做的，就是让那些'还没说清自己本领'的坊，也能被请上大堂几回。"

"那偏账该有多大？"

杞翁笑而不答，只把笔尖在"总评"栏的算式上点了点："你只记着——偏账的大小，要看两件事：一是这坊自己被挑过几回，回数越少，偏得越多；二是四十九夜已经过去了几夜，夜越深，你越舍不得把好夜浪费在没底的事上，偏账便收得越紧。"

阿砚似懂非懂，却照着做了。

四、两家酒坊的真相

第十夜起，阿砚依着"总评"挑酒。头几夜，连他自己都意外：分明满堂红账面最高，他倒连着把醉仙居、晚晴庐几家少人问津的坊请了上来。

第二十夜，怪事显了。

醉仙居被多请了几回后，平均分竟从七十二一路爬到九十四——原来它头三回是真撞了霉运，底子却是九家里的头一份。偏账早早把它从冷板凳上扶了正。

而满堂红，随着被选次数累加，那点运气被摊薄，平均分从八十九慢慢落回七十六。它本就不差，却也并非账面那般风光。

第四十九夜散宴，阿砚翻着写满的账册，长舒一口气。九家里孰高孰低，此刻清清楚楚：醉仙居居首，晚晴庐次之，满堂红排在中间，最末一家自始至终没翻过身。

"你可知你赢在哪？"杞翁问。

阿砚想了想："我没死守着一开始看着最好的，也没胡乱每家都匀。偏账替我把'没试够'和'试够了'分了家。"

杞翁颔首："宁可先给未知一个机会，也别把最好的那一瓮，永远埋在没试透的运气里。"

技术解读

多臂老虎机（Multi-Armed Bandit, MAB）是强化学习中最基础又最经典的序贯决策问题：面前有 K 台"老虎机"（臂），每台吐钱的概率分布固定但未知；玩家每一轮只能拉一台的拉杆，只能观测到这一台的奖励。目标是在总共 T 轮内，让"本可拿到的最大累计奖励"与"实际拿到奖励"之差（即 regret，遗憾）尽可能小。

核心矛盾即"探索 vs 利用"（Exploration vs Exploitation）：一直拉当前看起来最好的臂（贪心利用），可能永远错过一台均值更高却早期运气差的臂；均匀轮流试探所有臂（盲目探索），又会把大量轮次浪费在明显糟糕的臂上。

UCB（Upper Confidence Bound，置信上界）由 Auer、Cesa-Bianchi 与 Fischer 在 2002 年的论文 "Finite-time Analysis of the Multiarmed Bandit Problem" 中提出，给出了一个优雅的折中：对每台臂 i，维护其被拉动次数 n_i 与经验平均奖励 \hat{μ}_i，每轮选择

a_t = argmax_i [ \hat{μ}_i + c · √( ln t / n_i ) ]

其中 t 为当前轮次，c 为可调系数。第二项就是故事里的"偏账"——它随样本 n_i 增大而衰减，随总轮次 t 缓慢增长，保证每台臂都被探索足够多次，且探索的"慷慨程度"随时间收敛。Auer 等人证明，UCB 的累计遗憾上界为 O(√KT·ln T)，在理论上达到最优量级。

另一类主流做法是汤普森采样（Thompson Sampling，1933 年提出、2010 年代被重新证明最优），即根据每台臂"是好臂"的后验概率随机抽选——对应故事中杞翁对手"按胜场比例抽签"的筒子。

核心概念回顾

故事中的隐喻对照

为什么这个故事对应多臂老虎机与 UCB？

1. 因为每夜只能挑一家，未被选的八家当晚欢愉全无记录，所以只能观测到被选中酒坊的质量 → 类比 MAB 每轮仅获得被拉臂的奖励，信息天然不完整，这正是它与"全信息反馈"问题的根本区别。
2. 因为账册只记"被选过的坊"，从未被请上大堂的坊没有平均分 → 类比未被拉动的臂无任何样本，必须用"偏账/乐观初始化"去补偿信息缺失，否则永远不被尝试。
3. 因为偏账随被选次数 n_i 增大而衰减（√(ln t / n_i) 中 n_i 在分母），所以试得越多的坊，探索激励越小 → 类比 UCB 的不确定性项随样本增多收敛，估计变准后不再需要额外激励去探索。
4. 因为满堂红早期好运被高估，而 UCB 用"经验均值 + 置信上界"而非瞬时分数，且大 n 下偏账消失，使其回归真实排名 → 类比 UCB 以经验均值为下界、置信项为上界，天然抵抗早期幸运样本的误导。
5. 因为醉仙居早期霉运但真实最佳，偏账保证它获得足够尝试次数才肯下结论 → 类比 UCB 的"面对不确定性保持乐观"原则，确保最优臂以高概率被识别而非被过早淘汰。
6. 因为总夜数 t 出现在 ln t 中，夜越深探索越"吝啬"却仍在必要处探索 → 类比 UCB 的遗憾上界 O(√KT·ln T)，理论上累计遗憾随时间有界增长，不会无限膨胀。

后记：多臂老虎机是机器学习里少有的、能把"好奇心"写成一道精确公式的问题。杞翁的偏账栏，本质上是在替算法存一份谦卑——它承认自己看走眼过，所以愿意再给未知一次机会。现实中的推荐系统、临床试验分组、广告投放，背后都站着这位碧澜港的守宴人：在"已知的甜"与"未知的可能是更甜"之间，用一笔乐观的偏账，温柔地平衡着每一次抉择。