花 8000 美元打赢人类最强棋手：这周最该看的 AI 成果，不是更大的模型

这个国庆，AI 圈很吵：谷歌甩出 Gemini 4 Argon，OpenAI 发了常驻助手 Dots，还把 GPT-6.1 Sol 的价格砍到五分之一。但我这两天反复看的，是一篇没什么发布会、却更说明问题的论文——发表在 Nature 上的 Ataraxos。

先说说 Stratego 为什么难

Stratego（战略棋）是一种”暗棋”游戏：40 枚棋子背面朝上摆好，只有在两子相撞的那一刻，等级才揭晓。开局的可能摆法超过 10 的 33 次方（也有报道按完整配置算到 10 的 66 次方），一局能拖到约 2000 步，诈唬是核心打法。

对比一下就懂了：国际象棋和围棋是”全信息”游戏，棋盘上有什么，双方都看得见；德州扑克也是隐藏信息，但起手牌只有 1326 种。Stratego 把”对手在想什么”这件事，放大到了 AI 一直啃不动的量级。DeepMind 2022 年的 DeepNash 是此前最好的尝试，它很接近人类顶尖水平——但在竞技 Stratego 里，“接近”就等于输。

这次的结果

来自卡内基梅隆、MIT、NYU 和斯坦福的团队做出了 Ataraxos。它和 Pim Niemeijer 打了 20 局——这位荷兰人是四届世界冠军、15 次荷兰全国冠军，连续 600 多周排名世界第一——最终成绩是 15 胜 1 负 4 平。在世锦赛的公开挑战里，40 局只输了两场。

真正让我停下来的是成本：策略网络用 16 张 H100 训练一周，信念网络再用 4 张 H100 训练四天，总共不到 8000 美元。

而 DeepNash 当年用了 1024 个 TPU v3 节点，跑两三个月，按 2025 年的价格折算大约 300 万到 450 万美元。论文自己的口径是：Ataraxos 的算力约为它的 1/500，自对弈局数约 1/30，训练样本约 1/100。

它是怎么省下来的

三个部件：自对弈强化学习先练出一套”蓝本策略”；关键是一个信念网络——它从对手的走法里反推暗棋可能是什么；最后是每步落子前的”决策时规划”：从信念网络采样出几种最可能的棋盘，在这些”可能世界”里推演，再选招。

换句话说，它不去穷举所有可能，而是先猜”对手大概握着什么牌”，再针对性地算。MIT 的说法是，把生成模型用在决策时规划上，正是过去缺的那一块拼图。

还有一半功劳很不性感：团队专门写了 CUDA C++ 的 Stratego 模拟器，做到每秒约千万级局面更新。这种工程活，往往才是把大预算问题变成小预算问题的真正原因。同一套配方，他们还在 Barrage Stratego 上打赢了三位世界冠军，在 Hanabi、斗地主上刷出了最好成绩。

我的判断

第一，这是对”堆算力”叙事的一记反调。 四年时间，同一个问题的训练成本掉了三个数量级。这提醒我们：模型能力的曲线里，算法和样本效率这一项从没退场，只是不如发布会好看。对预算有限的高校和中小团队来说，这是个好消息。

第二，隐藏信息才是真实世界的形状。 谈判、市场博弈、安全攻防，对手的牌你都看不见。这次的方法——从行为反推隐藏状态，再在采样出的可能性里规划——论文自己就把它定位成”一个可复用的设计模式”，而不是一次游戏炫技。

第三，也得冷静。 20 局对一个人，样本很小；DeepNash 的代码早就跑不起来，所谓”1/500”是重建的成本估算，不是真刀真枪的重赛；更要紧的是，团队自己承认，它说不清自己为什么这么走——可解释性还没做。作者之一说了一句我很认同的话：人类必须对”是否采纳建议”有最终决定权，所以在被采用之前，我们得先能审计模型的决策。

所以，这周大家都在比谁家模型更大更强，但真正可能改变成本结构的，是这种”用更少的算力做同样的事”的论文。对普通开发者来说，它的意义很直接：前沿能力，正在变得可负担。