考虑在两个人之间进行的游戏，为简单起见，我们假设该游戏区分熊猫的真实图片和熊猫的假图片。第一个玩家将把这幅画拿给第二个玩家看，如果第二个玩家猜对了它是否是假的，他们将获得奖励，否则他们不会。两个玩家都在玩游戏，目标是最大化他们的奖励。

更深入一点，但让它与对抗性 ML 的上下文更相关。我们可以进一步假设两个玩家都是从对熊猫的 0 知识开始的。您可能会想象玩家 1 只是在画布上随机投掷颜色并试图说服玩家 2，而玩家 2 只是随机猜测，慢慢地建立他们对熊猫的直觉。

几个小时/几天/几年后，我们可能会发现两位玩家都非常熟练，分别绘制熊猫和识别假熊猫。

简而言之，这就是对抗性 ML 的真正意义所在。目标是让两个具有竞争奖励的代理，其中他们的最佳解决方案是某种形式的混合策略纳什均衡。