游戏排位与流体智力

好的问题是：哪一种表现，在什么人群中，与哪一种认知能力有关？把这些条件写清楚，研究才开始有比较的意义。

为什么竞技游戏值得研究

许多竞技环境要求玩家在信息不完整、时间有限的条件下行动：跟踪局势、预测对手、在多个目标间分配注意、更新失效的计划。不同游戏对这些过程的组合并不相同。一项动作看起来很快，背后可能是预判；一个局面处理得很慢，也可能是搜索了太多无关选项。

这让电子游戏成为有吸引力的研究场景：行为记录多、水平差异大，还能观察同一个人如何学习。不过，游戏成绩也同时包含练习、熟悉程度、队友、策略、设备、反应与参与机会。认知要求丰富，是开展研究的理由；它本身还不是“成绩已经测出了智商”的结论。

一项经常被引用的MOBA研究

Kokkinakis等人在2017年发表的研究中，考察了56名《英雄联盟》玩家的排位与WASI-II矩阵推理表现，报告Spearman相关系数约0.44，95%置信区间约为0.24至0.60。这是值得关注的中等程度正相关，也有明确的样本量与不确定性。矩阵推理在这里用于考察流体推理相关能力，并不是一整套综合智力量表的全部结果。

同一论文还比较了不同游戏的年龄与表现分布。年龄曲线的相似或差异，可以提出关于认知需求的假设，却不能替代对某一游戏玩家直接施测所得的IQ相关。尤其不能把其中一款MOBA的相关系数，原封不动贴到所有FPS、所有模式或所有排位系统上。

汇总研究也要看它汇总了什么

2024年一项电竞认知元分析纳入15项研究、共1085人，报告专家与业余组总体差异Hedges’ g约0.37，其置信区间较宽。这里的研究包含空间注意等认知指标，不能把“认知表现”四个字自动改写为“综合智商”。组间标准化差异g与相关系数r的含义也不同，不应直接排大小。

相关、训练与筛选，是三个问题

假设高推理能力的人更快学会某类策略，他们可能更容易达到较高排位；假设长期游戏训练改善了某项注意技能，也可能形成表现差异；再假设愿意坚持训练的人，在兴趣、时间或其他条件上本就不同，这也会影响观察结果。一次横断面相关可以与这些解释同时相容。

因此，“高水平玩家表现更好”“练游戏提高了某项能力”“练游戏提高了普遍智力”，需要不同设计来支持。随机分配、合适的对照、足够训练与后续测量，能帮助研究训练作用；单看高手与新手的差别，通常无法排除选择因素。

为何极高排位仍适合作为面试入口

组织设置申请通道，不必假装每种成就都是同一把心理测量工具。前千分之一的可核验排名，可以显示持续参与某个竞争系统并取得突出表现。它值得进一步了解，但不能仅凭一个相关系数，就保证申请者达到了IQ140。

本会因此将这一表现用于获得线上面试资格。这里的前千分之一，指整个游戏在成绩对应统计期内的活跃玩家，不只计算参加排位、巅峰赛或进入某个高段位榜单的人。申请时注明赛季、服务器、模式、排名及数据覆盖范围；累计注册账号、日活、月活和赛季活跃人数不能混用。账号是否属于本人、成绩如何取得，也属于核验内容。

游戏例子与申请办法

王者荣耀、英雄联盟、Dota 2、无畏契约、反恐精英2、Apex英雄、守望先锋与和平精英的例子，已单独列在申请说明页，便于直接查看对应模式、成绩与破格面试办法。

为什么巅峰赛前0.1%会把要求定得过高

巅峰赛有段位准入，排位赛有参与和定级要求，高段位榜单还会进一步筛选。榜单显示的“超过多少玩家”，需要先看它覆盖谁。在较强群体里再筛一次前千分之一，人数口径会比面向整个游戏活跃玩家更严格。

本会采用整个游戏同期活跃玩家作为参照。若某模式的参与者占同期活跃玩家的比例为f，按人数口径折算，模式内比例应为0.1%÷f。例如仅作假设，参与者占10%，则模式内前1%对应的人数占全体活跃玩家的0.1%。这只是人数口径的换算；未参加该模式者的实际实力没有被完整排序，不能据此声称已经获得全体玩家的精确实力排名。

截至2026年10月29日，本次公开资料核查未能确认王者荣耀巅峰赛参与者占同期全游戏活跃玩家的可靠比例。获得参赛资格的人数，也不等于实际参赛人数。因此不据此公布固定巅峰分数线，不把巅峰赛内部前0.1%当作额外硬门槛。其他游戏也按同一原则区分榜内百分位与全体活跃玩家口径。

查看8款游戏的排名口径核查与来源 →

为什么游戏通道需要线上面试

常规通道以可核验的本人单排表现达到整个游戏同期活跃玩家前0.1%作为面试入口；团队游戏组排战绩或英雄称号表现特别优异者，也可破格获得面试机会。面试主要排除代练等非本人实力取得高段位的情况，同时摸底一般意义上的智力水平。所有线上面试仅涉及诚信度与一般智力的考察，不涉及超出这一范围的任何个人信息。

两类研究指标，分别回答不同的问题

2017年的MOBA研究报告的是排位与矩阵推理之间的Spearman等级相关ρ≈0.44；2024年电竞元分析报告的是专家与业余玩家在认知任务上的标准化组间差异g≈0.37；本会的“前0.1%”则是排名筛选比例。一个是两变量的共同排序，一个是两组均值相差多少标准差，一个是入选人群占比。把三者放在同一行，并不让它们拥有可直接互换的单位。

相关0.44不表示“44%的玩家很聪明”，也不表示“游戏表现的44%由智商决定”。即使在适合使用皮尔逊相关的简单线性回归中，r²的解释也取决于模型与变量；这里原始研究使用的是等级相关，不能未经说明就把平方当作综合智商的解释率。

2024年的元分析还需要看分组：专业选手与业余组的差异g≈0.462；高排位非职业组与业余组的估计g≈0.027，区间较宽且包含零，后一比较只有3项研究。两类分组之间的调节检验也未显著。它既不能证明高排位完全没有认知优势，也不支持把专业选手的总体结果直接当成所有高排位玩家的结论。〔Miao等，2024，表2及分组分析〕

为什么极端排名不能直接换算成极端IQ

排名非常高，说明在特定游戏竞争系统中表现突出；但当两个指标相关不等于1时，一个指标处于极端位置，另一个指标的平均位置通常没有同样极端，而且个体差异仍然很大。这个事实甚至在最理想的统计模型里就成立。

用一个完全虚构的教学模型说明：设游戏指标G与认知指标C都已标准化，联合服从二元正态分布，皮尔逊相关为0.40。在G恰好为3个标准差的位置，模型预测C的条件均值为0.40×3=1.20个标准差，条件标准差仍为√(1−0.40²)≈0.92。这不是任何现实游戏的估计，更不能代替测验；它只是展示“极高排名”与“另一个指标必然极高”之间缺少的逻辑。

现实问题更复杂：研究样本未必覆盖前千分之一，排位系统不是正态量表，玩家也是自我选择的群体。把普通排位范围内估计的关系外推到顶尖选手，必须额外验证。正因如此，本会用可核验的极高排名提供面试资格，而不把它直接视为IQ140。

从操作到决策：游戏成绩是一组过程的合成

在团队竞技里，某次看似“反应快”的操作可能来自提前预测；某次看似保守的选择可能是在资源不足时降低风险。玩家需要从不完整信息中估计局势、选择目标、更新对手策略，并协调团队行动。这些过程与注意、工作记忆和推理有可讨论的联系，但不同游戏及不同位置的组合并不一致。

可以把表现拆成三层：感知与操作，负责及时接收信息和执行动作；局部决策，负责在眼前局势中选择有效行动；跨局学习，负责识别自己的错误并调整策略。一项实验任务可能只测到了其中一层。空间注意更好，不能自动翻译为综合智商更高；熟练的地图知识，也不能仅因不是“纯推理”就被视为无关。

游戏还有社会与制度因素：队友、匹配机制、赛季重置、角色分工、版本变化，以及投入时间都会影响排名。研究若要比较玩家，应尽量明确这些条件；组织核验时则要确认成绩属于本人、来自何种排位群体，以及是否遵守比赛规则。

相关、训练效果与个人筛选，需要三套证据

想研究“玩得好的人是否在某类认知任务上更好”，可以做相关或组间比较。想研究“训练是否改善能力”，需要纵向或干预设计，并处理对照组、期待效应和测试熟悉度。想用排名筛选个人，则还需考察门槛附近的分布、准确率与独立核验。这三种证据不能彼此替代。

2026年的一项系统综述将相关研究、组间比较与控制试验分开汇总，覆盖133项研究、14,245人，报告总体较小的积极联系。它为整个领域提供了更广背景，却仍不能单独回答某款游戏前0.1%玩家的综合智商分布。〔Zhao等，2026〕

若未来要改进本会游戏通道，值得积累的是同意参与研究的申请者在统一测量条件下的匿名数据，并保留具体游戏、赛季、排位、训练经历与面试信息。研究参与应自愿，分析结果也应允许修正规则；否则“循证”只会变成给既有偏好增加装饰的词。

AI改变环境，人类表现仍需说明条件