수십 년 동안, 정적 해 개념들(Nash, Correlated, 그리고 Coarse Correlated Equilibria)과 무질서의 가격(PoA)은 알고리즘 게임 이론의 근간을 이루어 왔으며, 비후회 학습(no-regret learning)은 이러한 게임 이론적 균형으로의 빠른 수렴을 입증해왔다. 우리는 다중 에이전트 학습을 정적 균형 및 블랙박스 후회 분석에 축소하는 것이 근본적인 동적 불균형과 게임 이론적 경계를 가리는 것임을 보여준다. 첫째, 내부 Nash 균형은 $C^1$ 벡터장 정보를 가지지 못하여, 에이전트들이 일치하는 인센티브와 엄격하게 반대되는 인센티브를 구별할 수 없게 만든다. 이러한 기하학적 특성을 물려받아, 견고한 PoA 경계를 지시하는 최악의 경우 순수 Nash 균형은 위상적으로 불안정한 엄격한 안장점(strict saddles)으로 나타나며, 전형적인 혼잡 게임에서는 거의 모든 곳에서 엄격하게 지배되는 전략에 의해 지지되는 전역 반발자(global repellers)로 나타난다. 효율성 보장을 이러한 불안정한 상태에 고정하는 것은 대수적 민감성을 야기한다; 우리는 모든 엄격한 양의 아핀 비용을 수용할 경우 PoA가 무한대가 됨을 증명한다. 더욱이, 학습 궤적을 상관관계 있는 놀이의 이산 심플렉스(discrete simplex)에 투영하는 것은 체계적으로 비합리화 가능한 행동을 수용한다. Coarse Correlated Equilibria나 근접 정제(proximal refinements)를 통해 동역학을 평가하는 것은 엄격하게 지배되는 전략을 배제하지 못한다. 게다가, 최적의 $O(1/T)$ 스왑-후회 최소화는 거시적인 난류를 배제하지 못하며, 심지어 최소 게임에서도 카오스적 극한 집합으로 나타난다. 마지막으로, 우리는 혼잡 게임의 비원자적 극한을 검토한다. 이는 매우 안정적이며 엄격한 준선형 $\Theta(p/\ln p)$ PoA 경계(여기서 $p$는 다항식 차수)를 가진 것으로 간주되었지만, 이산 시간 학습 하에서는 유일한 균형이 Li-Yorke 카오스로 불안정해지며, 그 시간 평균 비효율성이 $2^p$로 지수적으로 저하되는 전역 인력자(global attractors)가 나타남을 증명한다. 이러한 결과들은 동적으로 근거하는 메트릭에 대한 최악의 경우 균형 프레임워크를 재평가할 필요성을 제기한다.