La cifra que destaca en un artículo publicado esta semana en Nature no es un récord de victorias, sino un precio. Un agente llamado Ataraxos alcanzó lo que sus autores describen como un juego ampliamente sobrehumano en Stratego usando 16 GPUs durante una semana, más cuatro GPUs adicionales durante cuatro días: una factura de unos pocos miles de dólares. El sistema que marcaba el estado del arte hasta ahora, DeepNash de Google DeepMind, se entrenó entre dos y tres meses sobre 1.024 chips especializados, un despliegue que el nuevo equipo estima habría costado entre USD 3 millones y USD 4,5 millones a precios de 2025, y aun así no lograba vencer de forma consistente a los mejores humanos.
Puntos clave
- Ataraxos derrotó a Pim Niemeijer, cuatro veces campeón mundial y con más de 600 semanas como número uno del ranking, por 15 partidas a una, con cuatro empates.
- Necesitó cerca de 34 veces menos partidas de autojuego que DeepNash —163 millones en total— y se entrenó por unos miles de dólares en lugar de los USD 3 millones o más estimados.
- La pieza que lo hace posible es una segunda red neuronal, un modelo de creencias que infiere la identidad de las fichas ocultas y vuelve viable, por primera vez en Stratego, la búsqueda en el momento de decidir.
De dónde salió el ahorro de cómputo
La diferencia de costo no se explica por hardware más barato. El equipo programó su propio simulador de Stratego en CUDA C++, capaz de ejecutar millones de actualizaciones de estado por segundo sobre tarjetas gráficas, el tipo de ingeniería al que recurre un laboratorio que no puede pedir un campo entero de aceleradores. Gabriele Farina, del MIT y autor principal, ha señalado que las técnicas desarrolladas para juegos como el póker simplemente no escalaban al volumen de información oculta que plantea Stratego.
La eficiencia de muestreo pesa más que el número de chips. Ambos sistemas aprendieron jugando contra sí mismos, reforzando las jugadas ganadoras y descartando las perdedoras. La diferencia estuvo en con cuánta agresividad revisaba Ataraxos su estrategia tras cada lote: ajustes grandes y audaces al inicio del entrenamiento, cada vez más pequeños y cautelosos después. La información oculta tiende a meter al aprendizaje por refuerzo mediante autojuego en ciclos, y ese calendario fue el recurso con el que el equipo mantuvo la convergencia. El resultado fueron 163 millones de partidas de entrenamiento frente al apetito mucho mayor de DeepNash, y un agente final más fuerte.
Por qué la búsqueda era la pieza que faltaba
Sistemas como AlphaGo afinan una política general con una búsqueda que se ejecuta justo antes de cada jugada. DeepMind no podía aplicar eso en Stratego porque el conjunto de configuraciones ocultas posibles es prácticamente ilimitado: 40 fichas por bando en cualquier disposición producen más de un decillón de despliegues iniciales, y una partida puede llegar a 2.000 movimientos frente a los cerca de 40 del ajedrez. Si valía la pena intentar siquiera una búsqueda en tiempo de inferencia era una pregunta abierta.
Ataraxos la responde con una segunda red entrenada para estimar qué fichas tiene el rival a partir de cómo las ha movido. En lugar de enumerar disposiciones, el agente muestrea las plausibles, simula jugadas candidatas dentro de cada una y elige según los resultados. Eso convierte una búsqueda intratable en un problema de muestreo: el mismo movimiento conceptual que hizo soluble el póker, aplicado a un juego cuyo estado oculto es órdenes de magnitud mayor y persiste durante toda la partida.
El comportamiento que surge es marcadamente no humano. Como al agente no le pesa conocer sus propios secretos, deja puntos débiles sin proteger cuando juzga que el rival no tiene motivos para sospecharlos, y ejecuta faroles con una consistencia que las personas no igualan. Farina lo describe como calcular el riesgo de un modo que las personas no pueden: un humano con su ficha más valiosa expuesta empieza a entrar en pánico, mientras el agente se mantiene sereno y se niega a sobrecorregir de maneras que delatarían sus secretos. El nombre viene del término griego antiguo para la ausencia de angustia.
Qué muestran realmente los resultados frente a humanos
Niemeijer jugó 20 partidas en línea a lo largo de tres semanas, con USD 100 por victoria, y sabía que el agente no se adaptaría a él, una ventaja que le dio tiempo para tantear debilidades. Convirtió una. Los autores sostienen que esa única derrota no es un defecto, porque jugar bien al Stratego exige aleatorizar el propio despliegue, lo que deja la suerte instalada de forma permanente en ambos lados del tablero.
La muestra amplia es mucho más desigual. En el Campeonato Mundial de Stratego 2025, los asistentes que desafiaron al bot perdieron 38 de 40 partidas. El sistema también movió el metajuego competitivo y legitimó despliegues que la comunidad había descartado, como esconder la bandera en una esquina detrás de apenas dos bombas.
Hasta dónde llega la arquitectura
El mismo enfoque venció a tres campeones mundiales en Barrage Stratego, una variante más rápida, se desempeñó en el juego de cartas cooperativo Hanabi y superó a los mejores bots existentes en dou dizhu. Esa extensión a juegos de cartas cooperativos, competitivos y multijugador es la evidencia más sólida de que la receta de modelo de creencias más búsqueda es general y no un ajuste a un solo juego.
Las ambiciones del equipo apuntan a negociaciones, mercados financieros y juegos de guerra, con el razonamiento de que atacar cualquier problema real empieza por construir un modelo simplificado de él. Eso sigue siendo un argumento y no una demostración: los juegos de mesa aportan reglas fijas y ganadores inequívocos, y los dominios que mencionan no aportan ninguna de las dos cosas. Una limitación más inmediata es que Ataraxos no puede explicarse; Farina plantea las estrategias interpretables y explicables como objetivo, no como logro.
Perspectiva
El preprint es público desde noviembre de 2025, así que la novedad aquí es la revisión por pares y no el resultado. Lo que formaliza es un contraejemplo al supuesto de que los benchmarks difíciles que quedan requieren presupuestos de escala frontera: la ventaja vino de una reestructuración algorítmica que un equipo académico de seis autores pudo financiar. Eso convive con un hallazgo distinto, según el cual los sistemas de IA todavía no ayudan mucho a producir esas reestructuraciones por sí solos, después de que un benchmark reciente concluyera que los agentes de IA apenas mejoran los algoritmos de entrenamiento.
FAQ
¿Qué es Ataraxos?
Es un agente de Stratego creado por investigadores de Carnegie Mellon, el MIT, NYU y Stanford, que combina aprendizaje por refuerzo mediante autojuego con búsqueda en tiempo de inferencia. Su componente distintivo es un modelo de creencias que estima la identidad de las fichas ocultas del rival, y eso es lo que permite buscar jugadas futuras en un juego con tanto estado oculto.
¿Por qué Stratego resistió a la IA más tiempo que el ajedrez, el go o el póker?
La información oculta es enorme y además duradera. La identidad de las fichas permanece en secreto hasta que dos de ellas chocan, hay más de un decillón de disposiciones iniciales posibles por bando y las partidas pueden extenderse a 2.000 movimientos. El juego eficaz también exige faroles calibrados, un equilibrio que los sistemas de autojuego anteriores no lograban sostener.
¿Esto se traslada fuera de los juegos de mesa?
La arquitectura ya generalizó a Barrage Stratego, Hanabi y dou dizhu. La transferencia a escenarios abiertos como la negociación o los mercados es la dirección declarada por los autores, no un resultado publicado, y la falta de explicabilidad del agente es un obstáculo práctico para usarlo donde las decisiones necesitan justificación.
