Ataraxos：低成本超人类不完全信息博弈AI，Nature正刊登顶Stratego击败世界传奇选手
Ataraxos是登上Nature正刊的低成本不完全信息博弈AI，仅用16块GPU、不到8000美元训练成本，就以15胜1负4和的战绩击败Stratego（军棋）4次世界冠军、连续600周世界第一的传奇选手Pim Niemeijer，同时在Hanabi、斗地主等多款隐信息博弈游戏上刷新AI纪录。
Stratego（西洋陆军棋）是 AI 长期未攻克的不完全信息博弈：双方 40 枚棋子暗置，只有交战时才知道对方棋子身份。可能的初始布置超过 10³³（Ars Technica 引述）/ 10⁶⁶（科技日报引述，两口径并存）——远高于德扑的 1326 种可能手牌。单局可长达 2000 步（国际象棋约 40 步），且存在诈唬这一平衡问题：诈唬过多则威胁无效，从不诈唬则变得可预测。DeepMind 的 DeepNash（2022）达到顶尖人类水平，但未稳定超越最强人类。
《Scalable decision-making for games of imperfect information》这是该成果在Nature正刊上发表的官方论文标题，于2026年10月正式上线，论文DOI为10.1038/s41586-026-11036-y 。
一、核心技术层面详解
1. 动态正则化训练框架
核心创新是通过协同控制正则化强度与策略更新步长，实现学习过程的动态平滑：训练初期用强正则化、大步更新快速搭建基础博弈策略，后期切换为弱正则化、小步微调打磨精细决策能力，彻底解决了长时序隐信息场景下强化学习不稳定的行业痛点 。s-AIDe♫epThinK.cn
2. 极低训练成本的样本效率突破
仅使用16块GPU完成全流程训练，总成本仅为几千美元，训练样本量不到DeepMind此前标杆系统DeepNash的1%，在天文级状态空间（初始棋子排列组合超10^33种）下实现了效率量级提升 。
3. 测试时实时信念搜索机制
对局过程中动态根据已交战信息，概率性推演对手所有隐藏棋子的身份，在数千步的长对局中持续更新对局面的判断，精准平衡虚张声势的策略效果，不会像人类选手因关键棋子暴露就出现决策变形 。s-AIDe♫epThinK.cn
4. 跨场景通用适配能力
同一套算法框架无需大幅修改，就在Barrage Stratego、Hanabi、斗地主等多款不同类型的不完全信息博弈游戏中都跑出了超人类表现，验证了技术的通用性 。
二、行业与产业影响层面详解
1. 攻克AI领域长期遗留高地s-AIDe♫epThinK.cn
Stratego作为长时序海量隐信息博弈的代表，此前连DeepMind的高预算系统都无法稳定击败顶级人类选手，Ataraxos的胜利补齐了AI在经典博弈游戏版图上的最后一块关键拼图 。
2. 大幅降低高难度决策AI落地门槛
用几千美元的低成本训练就实现了超人类博弈能力，打破了此前行业普遍认为的复杂不完全信息决策必须依赖百万美元级算力投入的固有认知，让中小团队也有机会开发出高性能同类系统 。
3. 现实场景迁移价值明确
该技术思路可直接向商业谈判、网络安全攻防、金融不确定性交易等真实世界的"信息不完整、对手意图未知"场景迁移，为这类此前AI难以深度介入的高复杂度决策领域提供了全新的技术路径 。
4. 明确下一代AI决策的发展方向
研究团队下一步将重点为系统加入决策可解释性模块，让AI能向人类清晰说明每一步策略的推导逻辑，推动这类高风险决策AI向可审计、可监管的方向落地 。
三、研究方法和过程
| 要素 | 做法 |
|---|---|
| 训练范式 | 自我博弈强化学习，共 1.63 亿局 |
| 关键正则化 | 训练早期做大步幅策略变更，后期转小步幅；逐步松弛正则压力并调整学习步长——防止学习过程"绕圈或进入混沌" |
| 核心创新 | 第二神经网络：信念模型（belief network），根据对手走子方式预判暗棋身份 |
| 决策时规划 | 不再枚举所有可能的棋盘状态，而是从信念模型采样若干"合理局面"，在采样局面上试演候选着法后再选择 |
| 算力 | 主训练 16 张 H100 约 1 周；信念网络另 4 张 GPU × 4 天 |
| 成本 | < 8000 美元（2025 年价格） |
| 代码 | 已公开 |
四、研究结果s-AIDe♫epThinK.cn
| 对照/场景 | 结果 |
|---|---|
| vs Pim Niemeijer（4 次世界冠军、15 次荷兰冠军、600+ 周世界第一）正式 20 局 | 15 胜 1 负 4 和（含和棋半算则胜率 85%）；跨 3 周进行以防疲劳 |
| 2025 年世锦赛表演赛 vs 参赛选手 | 39 胜 2 负（AI Weekly）；Ars Technica 记 38/40 —— 两口径并存 |
| vs DeepNash | 训练样本 < 1/100，自我博弈局数 < 1/30；DeepNash 训练用 1024 个 TPU 节点 × 2–3 个月，按 2025 年价约 300–450 万美元（论文估算） |
| 直接对局 | 无——DeepMind 称 DeepNash 代码已不能运行 |
| 迁移性 | Barrage Stratego 变体：对 4 名顶级选手中的 3 名赢下 4 组 50 局系列赛；Hanabi 全变刷新纪录；斗地主超越此前基准系统 |
五、相关研究横向对比
| 系统 | 年份 | 实现 | 训练资源 | 是否稳定超越最强人类 |
|---|---|---|---|---|
| DeepNash（DeepMind） | 2022 | 无决策时搜索 | 1024 TPU × 2–3 月，约 300–450 万美元 | 否（2023 世锦赛 28 局 19 胜，但负于 Niemeijer 等顶级选手） |
| Ataraxos | 2026 | 自我博弈 + 信念网络 + 决策时规划 | 16×H100 × 1 周，< 8000 美元 | 是（15-1-4） |
结构性说明：Niemeijer 反而握有一项优势——他可以在 20 局中持续适应 AI，而 AI 不能适应他（Vincent de Boer 指出）。AI 在"结构性不利"下取胜，是这组数据里最硬的部分。s-AIDe♫epThinK.cn
边界：样本量小（54 人研究、20 局正式赛）、单局 1 分钟、由团队自行设计与发布研究（未同行评议之外的独立复现）。
六、Ataraxos vs DeepNash 核心技术创新点对比表
| 对比维度 | Ataraxos | DeepNash（DeepMind 2022年标杆系统） |
|---|---|---|
| 训练硬件规模 | 仅16块H100 GPU | 1024个TPU v3节点 |
| 训练周期 | 主训练跑1周，信念模型训练4天 | 连续运行2~3个月 |
| 总训练成本 | 2025年价格折算不到8000美元 | 估算成本300万~450万美元 |
| 自对弈总局数 | 约为DeepNash的1/33 | 超百万级大规模自对弈 |
| 训练样本量 | 不到DeepNash的1% | 海量全量样本迭代 |
| 核心训练机制 | 动态正则化+仅取前25%优势走法迭代 | 全量策略空间遍历式训练 |
| 对局推理机制 | 实时信念生成模型动态推演对手隐藏棋子身份 | 固定预训练策略输出，无实时深度搜索 |
| 顶尖人类选手胜率 | 对阵世界第一Pim Niemeijer 20局15胜1负4和 | 无法稳定击败顶级Stratego人类选手，在线对局中常被高分玩家突破 |
| 跨场景适配性 | 同一框架在Hanabi、斗地主上同步刷新AI纪录 | 仅针对Stratego单场景深度优化 |
| 开源协议 | 以MIT许可完全开源 | 未对外公开完整训练代码与权重 |
Ataraxos没有靠堆算力暴力求解，而是通过算法层面的样本效率革命，把长时序海量隐信息博弈的训练成本压缩到了前代系统的1/500，用极低的资源投入就实现了碾压级的超人类表现，彻底打破了这类复杂决策AI必须依赖百万美元级算力投入的行业固有认知 。s-AIDe♫epThinK.cn
- Nature