假设机器总能找到最佳移动，您基本上必须降低结果。有多种可能性：

• 限制搜索的深度。在早期的国际象棋程序中，我认为这是调节难度的主要方式。在达到搜索树的特定深度后，您停止对移动的评估。这相当于只向前看两步而不是二十步。

• 设定时间限制。这有点类似于限制搜索的深度，但更普遍适用。如果您的算法积累了候选动作，并且总体趋势是在首先找到一些较弱的动作之后获得更好的动作，那么您可以在给定的时间点停止并返回您当时找到的动作。

• 扭曲现有信息。这可能不适用于国际象棋等游戏，但您可以限制机器可用于评估移动的信息。战略游戏中经常使用的“战争迷雾”之类的东西。在信息不完整的情况下，很难找到一个好的棋步，尽管这并非不可能，这比限制搜索深度更具挑战性。

• 次优评价函数。如果您有一个评估移动质量的函数，只需捏造该函数以不返回最佳值。可能会在返回值上添加一个随机偏移量，以降低其确定性/可预测性。

可能还有其他方法；棘手的部分是在看起来是一个较弱（但始终如一）的玩家和只是一个随机数生成器之间划清界限。