你在和人谈判时，不会知道对方的全部底牌。难点不只是“下一步怎么走”，还包括“对方可能知道什么、想做什么”。多数现实决策都有这种遮蔽，但擅长围棋、国际象棋的AI，通常建立在棋盘完全可见的前提上。Nature论文介绍的Ataraxos，试图把强化学习与搜索推进到另一类问题：信息大量隐藏时，AI还能不能稳定学习，并在行动前有效推演？本文的成绩和效率数据均来自论文作者，尚无独立信源交叉验证。
看不见棋子，搜索为什么会失灵？
Stratego是一种军棋式桌游。双方看得见棋子的位置，却看不见对方棋子的身份。它属于“不完美信息博弈”——决定局势的部分信息掌握在别人手里，AI既要选择动作，也要根据有限线索推测真实局面。
这和围棋不同。棋盘完全可见时，AI可以评估当前局面，再搜索后续走法。搜索就是在行动前展开若干种未来，并比较结果，类似棋手在脑中推演。可一旦身份隐藏，AI不仅要推演“对方会怎么走”，还要同时考虑“对方的棋子究竟是什么”。Stratego可能的棋子配置超过种。
已有方法常把问题转换到“公共信息”上，也就是只根据所有玩家共同看见的内容来组织决策。但论文指出，这类转换的成本会随隐藏信息量增加。即使在Texas hold’em中，仅两张私有牌也有1,326种组合；到了Stratego，规模更难处理。
它换了一套怎样的思路？
Ataraxos采用从零开始的自博弈强化学习与测试时搜索。强化学习是让AI反复对局，根据输赢调整策略，像靠复盘练棋；自博弈则是不依赖人类棋谱，让AI和自己的不同版本交手。测试时搜索，是在真正落子前再做一次针对当前局面的推演。
系统包含三部分。策略—价值网络负责提出动作并预测胜负；信念网络根据自博弈数据推测隐藏信息；搜索程序在对局时进一步修正策略。可以把它理解成三步：先凭经验提出候选行动，再估计看不见的棋子可能是什么，最后围绕这些判断向前推演。
论文披露的关键改动，是协调“正则化强度”和“策略更新幅度”。正则化可以理解为给学习过程加约束，避免策略乱晃。训练早期，Ataraxos使用更强的约束和更激进的更新；后期则同时减弱约束、缩小更新。作者认为，让两者保持匹配，可以压住不完美信息环境中容易出现的循环、发散或混乱，使自博弈持续进步。
20局比赛说明了什么？
论文报告，Ataraxos与Stratego获奖最多的选手Pim Niemeijer进行了20局比赛，取得15胜、1负、4和。作者称，这是最高水平比赛中前所未有的胜差，也是他们所知的Stratego首个“超人类”结果。训练成本据称只有数千美元；作为对照，论文称此前产业界曾投入多年、数十名研究者和数百万美元算力，仍未达到顶尖人类水平。
更值得关注的是迁移范围。同一套技术还被用于Barrage Stratego、Hanabi和斗地主：论文称其Barrage Stratego AI击败了三名多次夺得世界冠军的选手，Hanabi达到新的state of the art——即当时公开评测中的最佳水平，斗地主则击败了已有的最佳机器人。它们分别覆盖对抗、合作和团队游戏。
这使Ataraxos的意义不只是一项新游戏纪录。论文真正提出的是一种设计范式：学习策略、估计隐藏状态，再用搜索细化行动。如果它能在不同规则和互动关系下保持效果，强化学习与搜索就不再只适合“棋盘摊开”的世界，也可能更接近谈判、市场等信息不对称的决策环境。不过，论文只把这些现实领域作为问题背景，并未证明Ataraxos能够直接用于其中。
局限与未知
- “首个超人类结果”带有“据作者所知”的限定。20局结果很突出，但论文材料没有给出统计显著性、选手当时的竞技状态或更广泛的人类对手测试，不能据此断言AI已普遍超过所有顶尖玩家。
- “少若干数量级的算力和数据”“低成本、高样本效率”等说法缺少统一比较口径和完整数值。数千美元训练成本很醒目，但不能单独替代严格的效率比较。
- 供稿节选只披露了方法框架和训练调度思路，没有展开搜索程序、信念网络及跨游戏评测协议的更多细节。Stratego、Hanabi和斗地主的成绩仍需分别结合基线版本与评测设置理解。