8000美元击败四届世界冠军：AI系统Ataraxos终结Stratego最后人类堡垒

2026年9月30日，一篇发表于《自然》的论文以一组具体数字宣告了棋盘游戏上最后一块人类领地的失守：AI系统Ataraxos在20局正式系列赛中，以15胜1负4平击败了四届世界冠军Pim Niemeijer。这位荷兰棋手在Stratego世界排名榜首位保持超过600周，是公认的史上荣誉最多的Stratego选手。这支由卡内基梅隆、MIT、纽约大学和斯坦福大学研究人员组成的联合团队，用不足8000美元的训练成本完成了DeepMind耗资300至450万美元却未能实现的壮举，同时在Stratego世界锦标赛中录得39胜2负的成绩。

为何Stratego比国际象棋更难

要理解这一突破的分量，需要先理解Stratego对AI的特殊挑战。国际象棋和围棋是完全信息博弈——棋盘上的一切对双方完全可见，最优解在原则上可以通过足够深的搜索逼近。Stratego则是另一个世界：每方40枚棋子代表不同军衔，开局时对手只能看到你的棋子存在，但不知道它们的身份。只有当两枚棋子正面交锋时，较弱的一方才会离场，同时暴露自己的等级。

这种信息隐藏产生了指数级的复杂性。据论文数据，Stratego的开局布置方式超过10³³种，远超围棋的状态空间。一局国际象棋通常走40步左右，Stratego则可轻松延伸至2000步。更难的是虚张声势（bluffing）的策略价值：一枚弱子可以伪装成最强棋子来吓退对手，但如果频繁虚张，对手就会识破；如果从不虚张，行为就会变得可预测。这种博弈层面的"心理战"让此前所有AI方法在规模化时都遭遇了瓶颈。

MIT电气工程与计算机科学助理教授、本文通讯作者Gabriele Farina解释了问题的规模：

"在Stratego中，你必须处理的可能宇宙会爆炸式增长。为扑克等游戏开发的AI技术绝对无法在这种设定下扩展。"

三件套架构：自博弈、信念网络与决策时搜索

Ataraxos的技术核心是三个组件的协同，每一个单独拿出来都不新鲜，但将它们整合到不完全信息场景下的方式是本文的核心贡献。

第一个组件是自博弈强化学习，系统通过约1.63亿局自我对弈积累棋力，胜利的走法被强化，失败的走法被修剪。为防止自博弈陷入循环（例如只固守某套开局布置），团队引入了正则化机制：早期训练时强制策略产生大幅变化，随着训练推进再收紧调整幅度，以此保证策略库的多样性，复现人类棋手维持"不可读性"的直觉。

第二个组件是信念网络——这是最关键的创新。传统搜索算法在不完全信息场景下会因为状态空间爆炸而失效。Ataraxos的解法是训练一个独立的生成模型，专门从对手的移动轨迹中推断其隐藏棋子的位置分布。不是穷举所有可能，而是采样"最可信的棋盘状态"，在这些状态上推演候选走法。Farina的描述是：

"我们不是盲目猜测，而是用决策时规划找到最可信的棋盘状态。这个生成模型让我们真正聚焦于当前面对的具体棋盘和对手。"

第三个组件是决策时搜索（decision-time planning）。信念网络提供了状态分布，策略价值网络对每个候选走法打分，搜索在有限的计算预算内找到期望收益最高的动作。这三者的整合使Ataraxos在每一步都能以"有依据的猜测"代替"枚举所有可能"，将不可解问题变成了可解问题。训练过程本身运行在16块Nvidia H100 GPU上共约一周，加上信念网络额外4天的训练，总计算成本低于8000美元。

与先例的横向对比：DeepNash的失败说明了什么

DeepMind的DeepNash是此前最接近攻克Stratego的AI系统，于2022年首次亮相。其训练规模远超Ataraxos：据公开资料，DeepNash花费300至450万美元，训练局数约55亿局。尽管资源投入是Ataraxos的近500倍，DeepNash始终未能在正式比赛中达到超越人类顶尖棋手的水平。

更值得注意的是一个细节：Ataraxos团队曾主动提出进行两套系统的直接对比测试，但DeepMind的回应是无法实现——因为DeepNash的代码已无法运行。这个事实侧面揭示了大型AI实验室内部的工程现实：投入数百万美元的项目，在没有持续维护的情况下，其工程可复现性可能远低于外界预期。

从历史序列来看，Stratego是一连串"最后堡垒"中的最新一个：Deep Blue在1997年击败卡斯帕罗夫，AlphaGo在2016年击败李世石，德州扑克机器人在近年全面压制职业牌手。每一次突破都被认为需要"真正理解"信息博弈的新能力，但每一次，回头看都是工程与算法协同的产物。Ataraxos的不同之处在于规模——它不是用更多资源碾压问题，而是用更聪明的架构以百分之一的成本解决了同类问题。

对现实世界任务的真实意义

论文作者本人对技术的外延保持了审慎但具体的表述。Farina指出：

"在你在现实中面对的不完全信息任务里，你往往没有奢望穷举所有可能。可能性太多了。"

Ataraxos在三款其他不完全信息游戏（Barrage Stratego、合作纸牌游戏Hanabi、中国棋牌游戏斗地主）中同样取得了强力表现，这为方法的泛化能力提供了初步的多任务证据。

对AI工程实践而言，更直接的影响是效率范式的转移。若"信念网络+决策时搜索"的组合能在其他不完全信息领域复现这种效率优势，那么网络安全（猜测对手行动意图）、谈判策略（对手偏好未知）、供应链博弈（隐藏库存信息）等场景将有据可循的算法路径可以参考，而不必依赖DeepNash式的暴力堆算力。

卡内基梅隆博士生、论文第一作者Samuel Sokota对比了Stratego与国际象棋的根本差异：

"这与国际象棋完全不同——在国际象棋中，无论你下了多少次，最好的走法仍然是最好的走法。"

这句话点出了不完全信息博弈的核心特性：策略必须是概率性的、适应性的，因为最优动作取决于对手的隐藏状态，而隐藏状态随每一步对手的行为而更新。