刚读完这篇SOM论文，感觉它切中了多智能体博弈中的一个痛点：把对手建模和预测混在一起做，工程上容易翻车。论文提出用结构因果模型（SCM）先构建对手行为因果图，再基于此做预测，相当于把隐藏变量显式化。个人经验中，在自动驾驶场景里尝试过隐式对手建模，结果在换道博弈时经常误判，因为模型把相关性当因果，比如前车刹车灯亮就预测它会减速，实际可能是避让行人。SOM的两阶段分离设计，理论上能通过反事实推理提升泛化性，但工程落地有两个坑：一是SCM的因果结构需要领域知识预设，在复杂博弈中构造完整图可能比训练模型还费力；二是计算开销——每步都跑因果推理，实时性堪忧。我好奇的是，对于高维连续动作空间（比如对手是策略梯度智能体），SCM怎么自动提取因果节点？另外，SOM是否依赖对手策略的马尔可夫性？如果对手有记忆策略，因果图需要时间展开，复杂度会指数级增长。从行业趋势看，因果推断与LLM结合会是热点，但SOM这种显式建模可能更适合规则型对手，对深度强化学习对手的鲁棒性仍需验证。