AI, 마침내 최고의 Stratego 플레이어를 꺾다

With most information hidden, the game Stratego had stumped AI–until now

AI, 마침내 최고의 Stratego 플레이어를 꺾다

Carnegie Mellon, MIT, NYU, Stanford 연구진이 개발한 AI Ataraxos가 역사상 최고의 Stratego 플레이어 Pim Niemeijer를 15승 1패 4무로 꺾었다. 불완전 정보 게임인 Stratego는 은닉된 말의 정체를 추론해야 해서 기존 AI가 정복하지 못했지만, 상대 말의 정체를 추측하는 별도의 신경망을 도입해 돌파구를 마련했다. 훈련 비용은 GPU 16대로 일주일, 단 수천 달러에 불과했다.

인간은 비밀을 알고 있을 때 그 사실을 무시하고 결정을 내리기가 매우 어렵다. 기계에게는 쉽다.
  1. SwellJoe

    어릴 때 Stratego를 정말 좋아했다. 하지만 결국 나와 같이 플레이할 사람을 찾을 수 없게 되었다. 나는 체스에서 나보다 훨씬 뛰어났던 아버지를 포함해 모든 사람을 압살했기 때문이다. 그런데 모델들이 어려워할 게임이라고는 전혀 생각하지 못했다. 비교적 단순해 보이니까. 그리고 설명할 수 없게도 진지한 플레이어들이 있을 거라고는 전혀 생각하지 못했다... 나는 어린 시절에서 가져온 몇 안 되는 물건 중 하나인 그 보드게임을 계속 간직해 왔지만, 플레이한 지 20년이 지났다. 이제 온라인 Stratego를 찾을 때가 된 것 같다. 분명 이 세상 누군가는 나를 이길 수 있을 것이다.

    AI가 이 게임을 정복하기 전에 AI와 대결해보지 못한 게 아쉽다.

  2. janalsncm

    > 이 알고리즘은 훨씬 더 빨리 학습하기도 했다—DeepNash보다 약 34배 적은 게임을 플레이하고도 훨씬 더 강해졌다.

    내 생각에 이게 핵심이며, AI가 작동하게 만드는 부분이다.

    숨겨진 정보가 있는 게임에서는 최선의 수가 당신이 가지고 있지 않은 정보에 달려 있다. 그래서 어떤 수는 좋을 수도 나쁠 수도 있는데, 그것은 알 수 없는 무언가에 달려 있을 뿐이다.

    앞을 내다보며 탐색하고 싶다. 즉 "내가 이렇게 하면 상대는 저렇게 할 것이다"라는 식인데, 상대가 무엇을 할 수 있는지조차 모르기 때문에 불가능하다. 상대의 숨겨진 상태를 모르기 때문이다.

    가능한 숨겨진 상태가 무작위로 분포되어 있다면 망한 것이다. 가위바위보와 같다: 상대가 예측 불가능하면 최선의 수는 없다.

    하지만 상대의 수를 빠르게 예측하는 법을 배울 수 있다면, 무엇을 할지 정보에 기반한 결정을 내리는 것이 가능해진다.

  3. dmurray

    이런! Stratego는 우리가 승리하는 봇을 만들기 위해 충분히 노력하지 않았던 대상 중 하나로 내 머릿속에 있었다. 2022년 DeepMind의 시도도 포함해서. 나는 첫 번째로 만들어볼 계획이었다.

    나는 이게 리만 가설을 증명하려는 것보다는 덜 괴짜 같은 짓이라고 생각했는데, 요즘은 그냥 Claude에게 부탁하면 아무도 눈치채지 못한 1 + πi에서의 반례가 있다고 알려주는 세상인가 보다.

  4. erwincoumans

    어릴 때 친구 집에서 Stratego를 했던 기억이 난다. 그리고 결국 그의 말 중 일부가 미묘하게 표시되어 있다는 걸 알게 됐다(말에 흠집이 있었다). 정보를 숨기지 않는 건 정말 불공평했다 :)

  5. rovr138

    > 이제 Carnegie Mellon, MIT, New York University, Stanford University의 연구진 팀이 해냈다. Ataraxos라는 그들의 AI는 역사상 최고의 Stratego 플레이어라고 할 수 있는 Pim Niemeijer를 15승 1패 4무로 이겼다. 그리고 훈련에는 단 16개의 GPU와 몇천 달러밖에 들지 않았다.

    겨우 16개의 GPU, 그리고 몇천 달러?

    "Carnegie Mellon, MIT, New York University, Stanford University의 연구진"이라는 점은? 이건 아무나 할 수 있는 게 아니었다.

  6. smokel

    이것은 2022년의 이전 논문 "Mastering the Game of Stratego with Model-Free Multiagent Reinforcement Learning" [1]을 어느 정도 맥락에 놓이게 한다. 2022년의 "마스터링"은 아직 거기까지 가지 못했던 모양이다. 4년 후, 새로운 접근법은 실제로 인간보다 더 나은 것 같다.

    [1] https://arxiv.org/abs/2206.15378

  7. smokel

    이 접근법은 매우 흥미로운 게임인 Hanabi에도 통한다. 자신의 카드는 볼 수 없지만 다른 플레이어들은 볼 수 있다. 강화학습 팟캐스트 [2]에서 누군가 이 게임을 언급해서 샀고, 실제로 여러 번 플레이했다.

    [1] https://en.wikipedia.org/wiki/Hanabi_(card_game)

    [2] https://www.talkrl.com/episodes/jakob-foerster

  8. hnedeotes

    이런 게임들이 반복적으로 정복 가능한 이유는 정적이기 때문이라고 생각한다. 제대로 훈련된 알고리즘이 MtG나 내 게임 https://aethersummon.com 같은 게임에서 평균 플레이어보다 잘할 거라고 말하는 건 아니다(특히 지금처럼 가능한 스크롤이 90개 미만일 때는 더욱). 하지만 관련성 있는 새 "카드"가 정기적으로(예를 들어 매주 또는 격주로) 출시된다면, 인간에게는 경쟁의 장이 훨씬 더 평평해진다고 본다.

    그런 새 추가 요소들은 단 하나의 새 "카드"로 전체 훈련 데이터를 무효화할 수 있다. 그 카드는 역학을 완전히 바꾸고, 플레이어가 이해하고 통합하기는 쉽지만 알고리즘에게는 그렇지 않을 것이다(아마 정기적으로 재훈련할 만큼 충분한 컴퓨팅 파워가 있다면 가능할 수도 있다). 그리고 결정 트리가 바둑, 체스, Stratego보다 훨씬 더 깊고 넓으며 조건이 많다는 점—같은 턴에 같은 카드가 있고 테이블 상태가 같더라도—을 고려하면, 컴퓨팅에 제약이 있는 알고리즘에게는 훨씬 더 어려운 문제가 될 것이다.

이 날의 다른 글

2026-10-02