Ataraxos以不到8000美元算力击败Stratego史上最强人类选手
卡内基梅隆、纽约大学、斯坦福和MIT的研究者用16块H100训练一周的AI，在系列赛中对四届世界冠军Niemeijer取得85%的有效胜率，而DeepMind的DeepNash曾以数百万美元预算未能越过顶尖人类水平。
AI系统Ataraxos在Stratego（西洋军棋）上击败了该游戏历史上荣誉最多的选手Niemeijer。据The Decoder报道，Niemeijer曾四次获得世界冠军、15次获得荷兰全国冠军、两次获得线上世界冠军，在世界排名第一的位置上累计停留超过600周。1997年以来参加了每一届世界锦标赛的George Franka称他是“有史以来最好的Stratego选手”。
研究者把对Niemeijer的系列赛分散在三个星期内进行，以避免疲劳并给他准备时间。Niemeijer知道Ataraxos不会适应他的风格。他因参赛获得1000美元，每胜一局额外获得100美元、每平一局50美元。论文作者称，把平局算作半胜，有效胜率85%，在高水平对局中前所未见。
Ataraxos是卡内基梅隆、纽约大学、斯坦福和MIT的研究者构建的。论文称，训练它用了一周16块Nvidia H100 GPU，再加上四天四块GPU训练所谓的信念网络。按2025年价格计算，这不到8000美元。
作为对比，论文称DeepMind的DeepNash曾在1024个TPU节点上训练两到三个月，据DeepNash作者回忆如此。Ataraxos作者估计这在2025年价格下相当于300万到450万美元。研究者给出的比例约是：算力成本约1/500、自我对弈局数约1/30、训练样本约1/100。他们把功劳归于自己写的定制GPU模拟器，以及高得多的样本效率。
为什么Stratego对AI特别难
Stratego双方各把40枚棋子背面朝上布置，论文称可能的布局超过10的33次方。棋子的等级只有在撞上对方棋子时才揭示，夺走对方军旗者获胜。
论文第一作者Samuel Sokota在X上写道，在这类信息不完美的游戏中，一步棋的价值不仅取决于之后怎么走，还取决于决策之前和决策过程中发生了什么。
据Sokota说，源自扑克AI的方法确实绕开了这个问题，但只在隐藏信息很少的时候有效。德州扑克只有1326种可能的起手牌。论文称这些方法所需的计算量随隐藏信息量增加而增加。Stratego因此是少数人类仍占优的主要竞技棋类游戏之一。
DeepMind此前的尝试与两套系统未能正面比较
DeepMind此前在这款游戏上没能突破顶尖人类选手的水平。在2023年世界锦标赛上，DeepNash赢了28局中的19局，但输给了大多数顶尖选手，包括Niemeijer。
两套系统之间没有正面交锋。研究者表示他们提出搭建必要基础设施，但DeepMind告诉他们这不可能，因为DeepNash的代码已无法运行。
Ataraxos怎么学：正则化加信念网络
Ataraxos不使用任何人数据，完全靠自我对弈学习。论文称关键在于系统被多用力地推动去变化打法：训练中有一个额外条件让AI分散它的布阵和走法，而不是早早锁进固定策略，这被称为正则化。
作者说这在Stratego里重要，因为强打需要大量随机性，可预测的玩家会被利用。研究者随训练推进放松这一压力，并相应调整学习步长。早期Ataraxos打得很随机、学习跨度大，后期则更有章法、只做小修正。这防止学习过程在信息不完美的游戏中原地打转或失控。
研究者把正则化比作一份能量储备：如果AI消耗太快，早期进步快，但随后会失去继续学习的能力，往往变得容易被利用。
Ataraxos还使用一个信念网络预测对方隐藏棋子是什么。每一步之前，AI用它生成可能的局面、推演候选走法，并专门为这个决策多跑一步学习。作者说此前的工作跳过了这类搜索，因为在隐藏信息如此多的情况下被认为太难。
Niemeijer面对的额外难度和对局表现
三届世界锦标赛亚军Max Roelofs说，顶尖水平的差距极其微小，因为这款游戏逼着玩家冒险。
AI还在结构上处于劣势：Niemeijer可以在多局中适应它，它却不能适应Niemeijer。论文称三届世界冠军Vincent de Boer认为这是一个重大不利条件。
在2025年Stratego世界锦标赛的一场表演赛上，Ataraxos对参赛选手还赢下了40局中的38局。选手们说它的风格难以解读：它会做出人类认为过于冒险的诈唬，落后时又顽固拖延，有选手觉得这近乎无礼；它还显得运气好得诡异，棋子似乎总恰好在正确位置。对Niemeijer的对局可以在线查阅。
同一方法在其他游戏上的结果
研究者用同一方法构建了其他系统。在Barrage Stratego变体中，他们的AI在三个对手面前赢下四个50局系列赛，这三人都曾两次获得Barrage世界冠军。在合作卡牌游戏Hanabi中，它在每个变体上都创下新纪录；在双人版本上，所需的算力比此前领先者少两个数量级。在中国纸牌游戏斗地主中，它击败了此前的基准系统PerfectDou和DouZero。
作者由此得出一个较为宽泛的结论：大量隐藏信息不再是强化学习与搜索的障碍。只要能为具体问题构建快速准确的模拟器，实用的AI就有望用于许多策略决策问题。论文把金融市场、军事冲突和谈判列为信息不完美的例子。
作者承认的局限
研究者承认一个限制：因为搜索只模仿单步学习，它的性能无法仅靠增加算力时间持续提升。更复杂的搜索方法可能改变这一点。Ataraxos的代码已公开。