Egy takarékosan fejlesztett mesterséges intelligencia legyőzte a Stratego legjobbját

A Carnegie Mellon, az MIT, a New York-i Egyetem és a Stanford kutatóinak mesterséges intelligenciája, az Ataraxos, 15–1 arányban legyőzte Pim Niemeijert, akit a Stratego történetének egyik, illetve talán a legjobb játékosának tartanak. Négy játszma döntetlennel zárult. Az eredmény azért jelentős, mert a Stratego a sakkal, a góval és a pókerrel ellentétben sokáig ellenállt az emberi élmezőny legyőzésére irányuló kísérleteknek, még a DeepMind jóval nagyobb költségvetésű rendszerei sem tudták megbízhatóan felülmúlni a legjobb játékosokat.

A Strategóban mindkét fél 40, különböző rangú figurával játszik, de az ellenfél bábuinak pontos kiléte rejtve marad. A figurák csak összecsapáskor fedik fel magukat, miközben a játék akár 2000 lépésig is eltarthat, és a blöff is fontos része. A lehetséges állások száma meghaladja a decilliót, ezért a rendszernek nemcsak a taktikát, hanem a hiányos információból fakadó bizonytalanságot is kezelnie kell.

Az Ataraxos 163 millió önmagával játszott mérkőzésből tanult. A fejlesztés kulcsa egy második neurális hálózat, az úgynevezett belief model volt, amely az ellenfél korábbi lépései alapján megbecsüli a rejtett figurák kilétét. Így a programnak nem kell minden lehetséges elrendezést végigvizsgálnia: valószínű állásokat mintavételez, ezekben előre lejátssza a jelölteket, majd az eredmények alapján választ. A rendszer mindössze 16 grafikus processzorral és néhány ezer dollárból tanítható volt, miközben nyugodtan és módszeresen játszik olyan helyzetekben is, amelyekben egy ember könnyen kockázatos, impulzív lépéssel próbálna fordítani.