Ataraxos、8000ドル以下でStratego最強を破る

Strategoは長くAIにとって難題であり続けてきた。両プレイヤーが40個の駒を伏せて配置し、10^33通り以上の初期配置が生まれるからだ。こうしたゲームでは着手の価値が隠れた情報に依存し、ポーカーAIの手法は隠れた情報が少ない場合にしか機能しなかった。DeepMindのDeepNashは1024台のTPUノードで2〜3か月訓練され、2025年価格で推定300万〜450万ドルを費やしたが、トップ人間を破れなかった。対照的にAtaraxosは16基のNvidia H100 GPUで1週間、さらに4基のGPUで4日間を要しただけで、費用は8000ドル未満だった。研究者はカスタムGPUシミュレータと高いサンプル効率を功績としている。

Ataraxosの成功の鍵は正則化で、これによりAIはプレーを変化させ、予測可能な戦略を避ける。さらに信念ネットワークで隠れた駒を予測する。研究者は3週間にわたりNiemeijerとAtaraxosを対戦させ、Niemeijerには1000ドルと勝利・引き分けへのボーナスを支払った。AIは実効勝率85％で勝利し、最高レベルでは前例のない結果と評された。Niemeijerは多くの対局を通じて適応できたが、AIは彼に適応できず、3度の世界王者Vincent de Boerはこれを大きなハンデと呼んだ。2025年Stratego世界選手権のエキシビションでは、Ataraxosは40局中38局を制した。

この手法は他のゲームでも機能した。Barrage Stratego、Hanabi、Dou dizhuだ。著者らは、大量の隠れた情報はもはや強化学習の障害ではなく、金融市場、軍事紛争、交渉といった戦略的意思決定問題に実用的なAIを開く道だと主張する。ただし高速なシミュレータを構築できる場合に限る。一つの限界は、探索が学習の単一ステップを模倣するだけであり、より洗練された探索手法なしに計算量を増やしても性能は向上し続けないことだ。コードは公開されており、他の者が手法を検証・拡張できるが、実世界での影響はそうした領域に適したシミュレータが存在するかどうかにかかっている。