在現代的競技世界中，無論是國際象棋、圍棋，還是熱門的網絡電子競技遊戲（如《英雄聯盟》的天梯排位、《絕對武力》的排位賽），我們總能看到一個精確衡量球員或玩家實力強弱的「分數」。

當兩個玩家在線上相遇時，系統能根據這個分數，在幾秒鐘內精確算出誰的贏面更大，並依此來進行公平的配對。

這個廣泛應用於全球競技領域的數學評估系統，就是著名的Elo 積分系統（Elo Rating System）。

這套系統由匈牙利裔美國物理學家阿帕德·埃洛（Arpad Elo）於 1960 年代創立。

埃洛用驚人的數學直覺，將競技運動中的「實力強弱」轉化為了一個機率統計學模型。這套分數是如何計算的？它是如何實現自我修正、並精確預測勝負機率的？

埃洛的革命性假設：實力的統計學波動

在 Elo 系統誕生之前，棋類的排名主要採用累積計分制：贏一局加分，輸一局不扣分或微弱扣分。這導致參賽頻率高的棋手能輕易刷出高分，無法反映真實實力。

阿帕德·埃洛指出，一個棋手在比賽中的發揮並非恆定不變，而是圍繞其「真實水平」呈正態分布或**邏輯斯諦分布（Logistic Distribution）**的隨機波動。

  • 有時你會超常發揮（處於波動上限）。
  • 有時你會失誤連連（處於波動下限）。
  • 你的「Elo 積分」，正是這個波動曲線的平均值中心。

當兩位棋手 A 和 B 相遇時，兩人的發揮波動曲線重疊。兩人的 Elo 分數之差，直接決定了 A 擊敗 B 的期望勝率。

勝率的預測：邏輯斯諦曲線期望值公式

在 Elo 系統中，如果玩家 A 的積分為 RA，玩家 B 的積分為 RB，則玩家 A 對玩家 B 的期望得分（Expected Score，記為 EA）的計算公式如下：

EA = 1 / (1 + 10(RB - RA) / 400)

同理，B 對 A 的期望得分為：

EB = 1 / (1 + 10(RA - RB) / 400)

這項公式的數學設計極其美妙：

  1. 分母 400 的設定：公式定義，當兩位玩家的積分差剛好為 400 分時，高分者的期望得分（勝率）為 1 / (1 + 10^-1) = 10 / 11 ≈ 91%；而低分者的期望勝率約為 9%。
  2. 勢均力敵：如果兩人的分數完全相同（積分差為 0），則雙方的期望勝率皆為完美的 1 / (1 + 1) = 50%。

在計分規則中，一場比賽贏了記為 1 分，平局記為 0.5 分，輸了記為 0。因此，期望得分 E 完美等價於玩家勝率的概率估算。

自我修正的靈魂：積分更新與 K 因子的制衡

Elo 系統之所以能長盛不衰，在於它具有強大的自我修正（Self-correcting）能力。每當一場比賽結束後，玩家的積分會根據其實際表現與期望表現的「偏差」進行更新：

R'A = RA + K * (SA - EA)

其中：

  • R'A 是更新後的新積分。
  • SA 是本次比賽的實際結果（贏為 1，平為 0.5，輸為 0）。
  • EA 是賽前計算出的期望勝率。
  • K 是一個常數，被稱為 K 因子（K-factor），代表了積分變化的最大敏感度。

數學機制的精妙之處

  • 擊敗強敵的巨額回報：如果一個 1200 分的低手（EA = 9%）爆冷擊敗了 1600 分的高手（SA = 1）。 更新增量為：K * (1 - 0.09) = K * 0.91。低手將獲得極高加分，而高手會被扣掉相同數值的分數（積分守恆）。
  • 理所當然的勝利微弱回報：如果 1600 分的高手順利擊敗了 1200 分的低手（SA = 1，EA = 91%）。 更新增量為：K * (1 - 0.91) = K * 0.09。高手只能獲得極微弱的加分，這懲罰了高手虐菜的收益。

K 因子的制衡藝術

K 因子的大小直接影響著天梯的穩定性：

  • 大 K 值（如 K = 32）：積分變化極快，適合新手或年輕棋手，能幫他們快速定位到與實力相符的分數區段。
  • 小 K 值（如 K = 10）：積分變化緩慢，適合頂級大師，能有效防止一次偶然的失誤導致排名發生劇烈震盪，維持天梯頂端的穩定。

現代電子競技的進化：MMR 與 Glicko 系統

雖然 Elo 系統在國際象棋中運行近乎完美，但在現代多人在線電子競技（如《CS:GO》、《Dota 2》）中，它面臨著全新的工程挑戰：

  1. 團隊協同（5v5）：如何在一場 5 對 5 的比賽中，將勝利的積分增量公平分配給不同表現的 5 個隊員？
  2. 不活躍的衰減（Rating Decay）：如果一個玩家兩年不玩，他的實力顯著下降，但他的 Elo 分數依然停留在高位。

為了解決這些問題，現代電子競技在 Elo 的基礎上進行了延伸：

  • Glicko 系統：引入了「評級偏差」（RD，Rating Deviation）概念，用以衡量玩家當前分數的「不確定性」。太久不玩的玩家其 RD 值會變大，當他們重新比賽時，積分的波動範圍會大增，以幫其快速重置定位。
  • 隱藏 MMR 匹配機制：遊戲通常會隱藏玩家的真實 Elo 分（MMR），而在前端展示一個更具進度條反饋感的「段位系統」（如青銅、黃金、鑽石），以在維持公平配對的同時，激發玩家持續遊玩的內在動機。

常見問題與解答（FAQ）

Q1：Elo 積分會發生「通貨膨脹」（Rating Inflation）嗎？

A1：會的。在國際象棋界，1970 年代全球只有極少數大師能達到 2700 分；而今天，頂尖大師的分數動輒超越 2800 甚至接近 2900。這是因為隨著大量新玩家（新手）帶著基礎積分湧入天梯，他們在輸給中階玩家後退坑，其攜帶的積分留在了系統中，並隨著食物鏈逐步流向了金字塔的最頂端，引發了積分的通貨膨脹。

Q2：為什麼天梯排位賽經常會遇到「連勝後遭遇連敗」的系統制裁？

A2：這並非系統惡意整人，而是配對算法在執行 Elo 的自我修正邏輯。當你取得一波連勝時，你的隱藏 MMR（Elo分）會迅速攀升，遠超你當前的段位。系統為了測試你的實力極限，會自動為你匹配期望得分（EA）極低的對手（如隊友實力較弱、對手實力極強），直到你的勝率重新回歸 50% 的平衡點。

Q3：Elo 積分可以跨學科/跨領域對比嗎？

A3：不行。Elo 積分是一個相對的排名尺度，而非絕對的物理計量單位。一個在國際象棋網站 Lichess 上的 2000 分，與 Chess.com 上的 2000 分，其所代表的真實實力百分比是完全不同的，因為這兩個系統的玩家基數與 K 因子設定存在差異。

結論：Elo 積分系統用邏輯斯諦曲線的簡潔美感，在隨機波動的競技場中，為人類的強弱實力精確稱重。它向我們證明：在千變萬化的勝負博弈背後，概率的無形大手，依然在精準地維繫著這座天梯網絡的公平與秩序。