知识卡片：可扩展的不完全信息博弈决策（Ataraxos）

一句话结论

Ataraxos 通过自博弈强化学习、信念网络与测试时搜索的组合，在隐藏信息规模极大的 Stratego 中取得作者所称的首个超人类结果，并将同一设计模式推广到 Barrage Stratego、Hanabi 和斗地主，表明大规模隐藏信息不再必然阻碍强化学习与搜索。

事件概述或研究问题

现实决策常涉及隐藏信息：一方 Unknown 但另一方拥有的信息。论文指出，传统不完全信息 AI 多依赖公共信息问题变换，但这类方法的成本随隐藏信息量增长，通常只适用于德州扑克等隐藏信息较小的场景（例如 1,326 种手牌）。Stratego 有超过 10^33 种棋子配置，此前多年、多人、数百万美元级工业研究仍未实现超越人类。本文提出 Ataraxos，研究在大规模隐藏信息下可扩展的决策方法。

方法/产品要点

• 总体设计模式：tabula rasa 自博弈强化学习 + 测试时搜索，包含策略-价值网络、信念网络和搜索程序。
• 策略-价值网络：通过自博弈提出决策并预测对局结果；核心创新是协调正则化强度与策略更新幅度。
• 训练安排：自博弈早期使用更强正则化和更激进更新，后期使用更弱正则化和更小策略更新。作者称这有助于抑制不完全信息导致的循环、发散或混沌学习动态，同时兼顾早期快速提升与后期持续改进。
• 信念网络：在最终策略-价值网络的自博弈数据上训练，给定玩家可见信息建模隐藏信息，并作为生成模型按似然采样隐藏信息实现。
• 测试时搜索：用信念网络采样隐藏信息实现；用策略-价值网络推演候选动作并估值；将这些估值视作自博弈数据，对当前决策做一次额外更新，再从更新后的策略选择动作。
• Stratego 实例：包含两个互相依赖的自博弈过程——set-up network 学习排列 40 枚棋子，move network 学习移动棋子；二者通过对局耦合。信念网络预测对手隐藏棋子类型。测试时，布局从 set-up 网络采样，走子用搜索选择。
• 工程实现：自定义 CUDA 模拟器每秒执行数百万次状态更新；作者称训练总成本仅几千美元。

主要结果或产业意义

• 在与 Pim Niemeijer 的 20 局系列赛中，Ataraxos 取得 15 胜、1 负、4 平；按有效胜率计算，平局计半胜。作者称这是 Stratego 历史上首个超人类结果，且训练成本仅几千美元，比此前努力少用数量级的算力和数据。
• Pim Niemeijer 被描述为史上最荣誉等身的 Stratego 选手：4 次世界冠军、15 次荷兰全国冠军、2 次在线世界冠军，超过 600 周排名第一；George Franka 称其为“史上最佳 Stratego 选手”。
• 同一技术被用于 Barrage Stratego、Hanabi 和斗地主：作者称在 Barrage Stratego 中击败三位多次世界冠军，为该游戏首个超人类结果；在 Hanabi 达到新 SOTA；在斗地主击败 SOTA 机器人。
• 论文认为，该方法在对抗、合作和团队游戏中均有效，可作为一种面向大规模隐藏信息的强化学习与搜索设计模式。

为什么重要

• 它针对的是战略决策领域长期开放问题：当隐藏信息量很大时，传统不完全信息求解与搜索方法成本过高；Ataraxos 提供了不依赖小规模公共信息变换的替代路径。
• 它把“策略-价值网络 + 信念建模 + 测试时搜索”组合成较通用的模式，并用多个游戏验证跨类型泛化，而不仅是单一博弈。
• 对基础模型/智能体决策的启示是：将可见信息下的策略学习、隐藏信息生成式建模和搜索时 refinement 结合，可能成为隐藏信息环境中的决策基础架构；是否能直接迁移到 LLM 或通用基础模型，材料未验证，待核实。
• 与既有脉络的关系（增量）：已有卡片中，FootsiesGym 提供双人零和不完全信息格斗游戏基准，NashDreamer 面向双人零和不完全信息博弈的基于模型强化学习；Ataraxos 的增量在于提出跨对抗、合作、团队游戏的通用设计模式，并在 Stratego 上报告超人类结果、低成本与高样本效率。与 LCA 的临床决策支持编排不直接同题，但都关注复杂/不完整信息场景中的可扩展决策支持。

局限与不确定性

• 本卡片依据 Nature 摘要及正文可见部分整理；正式英文关键词列表、完整方法、附录、超参数、完整评估统计和复现细节待核实。
• 人类评估为 20 局系列赛，对手为一位顶尖人类选手；虽有 3 周分散赛程和金钱激励设计，但样本量、随机性、对手适应、疲劳与规则版本等影响仍需查阅原文统计与附录。
• 评估中 Pim 被告知 Ataraxos 不会适应其打法；若部署环境需要持续适应对手，表现待核实。
• 论文列举金融、军事冲突、谈判等现实不完全信息场景，但材料未显示本文在这些现实场景中的实证验证；直接迁移能力待核实。
• “训练成本几千美元”“比此前努力少用数量级算力和数据”的具体计算口径、基线设置和比较细节待核实。
• Barrage Stratego、Hanabi、斗地主的详细指标、SOTA 定义与对手强度待核实。
• 原始材料在评估部分似有截断；完整胜负统计、置信区间或统计检验待核实。

可用于图书/PPT/简报的角度

• 从不完全信息博弈理解现实决策：决策价值依赖后续策略，也依赖此前和反事实策略，因为它们影响对隐藏信息的后验。
• 拆解一种可扩展设计模式：策略-价值网络 + 信念网络 + 测试时搜索。
• 低成本超人 AI：几千美元训练成本与多年工业研究、数百万美元投入的对比。
• 跨游戏泛化：对抗、合作、团队三类不完全信息任务上的统一方法。
• 算法与工程协同：CUDA 模拟器、样本效率与自博弈训练。
• 边界意识：从棋盘游戏到金融、军事、谈判等现实场景仍有鸿沟，需标注待核实。

原始材料

• 英文标题：Scalable decision-making for games of imperfect information
• 期刊：Nature, volume 658, pages 55–59 (2026)
• 在线发表：30 September 2026
• DOI：10.1038/s41586-026-11036-y
• URL：https://www.nature.com/articles/s41586-026-11036-y
• 作者：Samuel Sokota, Eugene Vinitsky, Hengyuan Hu, Zhiyuan Fan, J. Zico Kolter, … Gabriele Farina
• 开放获取：Open access
• 英文关键词：imperfect information; reinforcement learning; search; Stratego; Ataraxos; self-play; belief network; test-time search; Barrage Stratego; Hanabi; dou dizhu（说明：可见材料未给出正式关键词列表，此为依据标题、摘要与正文主题提炼，待核实）