加速国际象棋技能评估：漂移扩散增强的Elo评级系统
国际象棋的Elo评级系统长期作为匹配基准，却因仅依赖对局结果而存在响应滞后。近日，来自中国科学院的研究团队提出了一种名为 DD-Elo 的新型技能评估框架，灵感源自认知神经科学中的漂移扩散模型（DDM），通过整合每一步棋的决策信息来捕捉技能波动，从而大幅提升评级更新的速度。
从结果到过程：Elo的固有瓶颈
传统Elo系统基于对局胜负调整评分，但这一方式存在天然延迟——一位棋手可能已经进步或退步，Elo分数却要经过多场比赛才能反映真实变化。尤其在快速变化的竞技环境中，这种“反应慢”的问题尤为突出。
DD-Elo：让每一步棋都“说话”
DD-Elo的核心思路是将每一步棋视为一个决策过程。在DDM模型中，棋手在每步棋的思考时间、落子质量等微观信息被转化为技能表达的动态信号。研究团队通过数学推导证明，DD-Elo的评分偏差相对于传统Elo是有界且可控的，确保了理论上的兼容性与稳定性。
论文作者之一傅志正表示：“我们并非要取代Elo，而是为其注入过程信息，使其在保持原有体系的同时，更快响应技能变化。”
实验表现：更快、更准、更解释
在基于历史对局数据的实验中，DD-Elo在模拟技能突变（如棋手突然提升或下降）场景下，收敛速度显著快于标准Elo。例如，当棋手水平突然提升100分时，DD-Elo仅需约 30% 的对局数即可完成校准，而传统Elo需要更多场次。此外，DD-Elo还保留了可解释性——每一步棋的决策贡献可以被追溯，这为教练和棋手提供了更精细的反馈。
应用前景与行业意义
DD-Elo不仅适用于国际象棋，其思想可推广至其他竞技项目（如围棋、电竞）甚至更广泛的技能评估场景。在AI辅助训练日益普及的今天，一个能快速响应且可解释的评级系统，有望成为下一代智能匹配与能力诊断的基础设施。
目前，研究代码已在GitHub上开源，供社区验证与改进。该论文已被 IEEE Conference on Games (CoG) 2026 接收。
小结
DD-Elo展示了如何将认知科学中的决策模型与经典评级系统结合，在不破坏原有生态的前提下，显著提升响应速度。这不仅是一次技术微创新，更可能推动技能评估从“结果导向”向“过程驱动”的范式转变。