国际象棋、围棋中，棋盘完全公开，这类未来行动的计算问题，AI已经很擅长。

然而现实中的决策通常包含隐藏信息，某些信息对一个决策主体未知，却被另一个主体掌握。

斗地主、扑克、商业竞争，你永远不知道别人手里有什么牌。但看不见的牌，往往决定最后的输赢。

不完全信息博弈

以 Stratego（陆战棋）为例，双方拥有40枚隐藏棋子，大量初始布局无法观察，可能状态数量超过 。

DeepMind 曾提出 DeepNash，通过大规模自博弈解决 Stratego，但训练需要极高计算资源。

卡内基梅隆、纽约大学、斯坦福、MIT组队发表的 Nature 最新论文提出 Ataraxos【文献1】，让AI在行动前，先推断未知世界的可能状态，再基于这些可能性优化决策。

先猜牌再出牌

Ataraxos 有几个核心模块。

策略价值网络，判断当前局面的价值如何，应该采取什么行动。信念网络，根据已有观察，猜测真实世界可能是什么样。

Stratego中，需要推断对手隐藏棋子的位置和类型。在斗地主等任务中，还需要估计未知手牌、牌堆以及其他隐藏信息。

Ataraxos 会建立一个概率分布，不是简单选择一个确定答案。这等于让AI在行动前，先形成对未知世界的概率表征。

之后从这些概率分布中采样多个可能世界，分别计算如何行动。最后综合不同可能性的收益，形成当前决策。

动态阻尼机制

不完全信息博弈还有一个特殊困难，策略和信念会相互影响。我的行动会改变对手对我的判断，对手的行动又会改变我对隐藏状态的估计。

双方反复调整，训练过程容易出现震荡。模型可能刚学会一种策略，对手马上适应；随后模型再次调整，系统进入循环。

对此，Ataraxos 引入动态阻尼机制。

训练早期，保持较高随机性，让模型探索更多策略；后期，随着策略逐渐稳定，降低随机性，同时减少策略更新幅度。

论文发现，探索强度、正则化程度和策略更新幅度需要保持权衡。更新过强，系统容易震荡；限制过严，又会降低探索能力。

这个机制类似物理系统中的阻尼，既保持运动，也帮助稳定。

搜索变在线优化

传统强化学习中的搜索，比如MCTS，通常通过显式展开搜索树预测未来。

而在隐藏信息环境中，搜索空间包含两部分，未来行动和未知状态。两者叠加后，搜索规模快速膨胀。

Ataraxos 改变了传统搜索方式。

推理阶段，信念网络首先生成多个可能隐藏状态；然后策略和价值网络模拟这些状态下的未来结果；之后模型针对当前信息集执行少量在线策略优化；最后根据优化后的策略选择动作。

论文将这个机制称为更新等价。

训练阶段，模型通过大规模自博弈优化通用策略。推理阶段，利用额外计算，对当前局面进行局部调整。

搜索过程被重新建模为一次在线策略优化，训练和推理共享同一个优化框架。

成本下降几百倍

传统强化学习通常依赖大型 Rollout 缓存，保存大量历史状态、动作和环境信息。

Ataraxos 去掉了这种大规模缓存，融合算法和工程提升效率。不长期保存状态，需要过去状态时，通过计算临时生成；重新设计 CUDA 模拟器，提高大量并行博弈状态更新的效率。

最终，Stratego 训练使用16张 H100 GPU，运行约一周，完成约1.63亿局游戏；2080亿环境步。

论文报告，相比 DeepNash，训练计算量降低约500倍；自博弈局数减少约30倍；训练样本减少约100倍。

陆战棋到斗地主

Ataraxos 在多个不完全信息游戏中进行了测试。

Stratego与顶级人类选手 Pim Niemeijer 比赛20局，取得15胜、1负、4和。Barrage Stratego 击败三名世界冠军级选手。

Hanabi赛，在多人合作模式取得领先结果。斗地主超过PerfectDou、DouZero等已有方法。

这些任务覆盖双人零和博弈、多人合作、非对称竞争。

结果显示，基于隐藏状态推断和在线优化的架构，可以适应不同类型的不完全信息环境。

最后一张现实牌

Ataraxos 将复杂决策拆成两个过程。

一、根据有限观察，建立隐藏状态的概率分布；二、在多个可能世界中模拟未来，并优化当前行动。

这套思路与很多现实复杂决策存在结构上的对应。

商业谈判需要推测对手策略；金融交易需要处理大量不可观测变量；供应链计划则需要判断需求变化、供应风险和竞争行为。

斗地主，高手赢牌靠的不只是算牌，还知道自己不知道什么。 

Ataraxos 展示了，未来AI决策可能不仅需要预测答案，还需要持续维护一个关于未知世界的概率表征。

文献1，Scalable decision-making for games of imperfect information，https://www.nature.com/articles/s41586-026-11036-y