Eine Figur steht im Weg. Ist sie schwach, stark oder eine Bombe? Bei Stratego sieht der Gegner zunächst nur ihre Rückseite. Genau diese Ungewissheit macht das Brettspiel für KI interessant: Gute Entscheidungen müssen fallen, bevor alle Fakten bekannt sind.
Die KI Ataraxos hat dieses Problem in einer Serie gegen den vielfachen Weltmeister Pim Niemeijer eindrucksvoll bewältigt: 15 Siege, eine Niederlage, vier Remis. Das berichtet die am 30. September veröffentlichte Nature-Arbeit von Samuel Sokota und Kollegen. Der neue Anlass ist die Fachveröffentlichung. Gespielt wurde laut dem bereits im November 2025 veröffentlichten Preprint im Juli 2025.
Was hinter einer Rückseite steckt
Beim Schach liegen die Figuren offen auf dem Brett. Bei Stratego kennt jeder Spieler die Identitäten seiner eigenen Steine, aber nicht die der gegnerischen. Das Ziel ist, die gegnerische Fahne zu erobern. Erst beim Aufeinandertreffen werden verborgene Figuren aufgedeckt. Die Regeln und die ungleiche Informationsverteilung beschreibt auch DeepMinds Stratego-Erläuterung.
Damit bekommt ein Zug zwei mögliche Funktionen: Er kann die Stellung verbessern und zugleich etwas über den Gegner verraten. Die stärkste eigene Figur vorzuschicken ist deshalb nicht automatisch klug. Wer seine Stärke zu früh offenlegt, liefert dem anderen Informationen für dessen nächsten Plan. Eine unbekannte Figur einfach für harmlos zu halten wäre allerdings ebenso riskant.
Erst lernen, dann Möglichkeiten durchspielen
Ataraxos verbindet drei Bausteine: Es lernt durch Partien gegen sich selbst, schätzt die verborgenen Figuren und plant unmittelbar vor dem Zug. Das sogenannte Belief-Netzwerk liefert dabei mögliche gegnerische Aufstellungen nach ihrer Wahrscheinlichkeit. Es enthüllt keine Geheimnisse. Anschließend spielt das System Kandidatenzüge unter solchen möglichen Zuständen durch und verfeinert seine Entscheidung. Diesen Aufbau erläutert die Studie.
Anschaulich lässt sich das so vorstellen: Ein unbekannter Stein könnte verschiedene Rollen haben. Ein vernünftiger Zug muss nicht nur gegen die bequemste Vermutung funktionieren. Er sollte auch berücksichtigen, was geschieht, wenn die Vermutung falsch ist. Das Beispiel erklärt das Prinzip; es rekonstruiert keine konkrete Partie.
Zum Training gehört außerdem, die Änderungen der Spielstrategie zu dosieren: anfangs kräftiger, später vorsichtiger. Die Forschenden beschreiben diesen abgestimmten Lernprozess im Preprint. Ein einziger guter Zug genügt nicht. Auch über viele Züge hinweg darf die Strategie nicht leicht ausrechenbar werden.
Ein Spielnachweis mit klarer Grenze
Stratego-KI beginnt nicht bei Ataraxos. DeepMind meldete bereits 2022 für DeepNash einen Top-drei-Rang auf der Onlineplattform Gravon. Das ist eine andere Auswertung mit anderen Gegnern. Ein direkter Zweikampf der beiden Systeme ist damit nicht belegt.
Die Niemeijer-Serie zeigt starke Leistung unter den Regeln eines bestimmten Spiels. Sie beantwortet noch nicht, wie zuverlässig das Verfahren in Verhandlungen oder bei Sicherheitsentscheidungen wäre. Dort müsste zunächst geklärt werden, ob sich die Situation überhaupt passend modellieren lässt. MIT nennt solche Anwendungen als Perspektive und verweist auf die noch nötige Nachvollziehbarkeit der Entscheidungen.
Der interessante Fortschritt liegt deshalb schon auf dem Brett: Ein System kann mit Ungewissheit rechnen, ohne sie vorher beseitigen zu müssen. Für Entscheidungen außerhalb des Spiels bleibt zu prüfen, ob seine Annahmen über die verborgene Welt belastbar sind.
Quellen
- Samuel Sokota und Kollegen / Nature: Scalable decision-making for games of imperfect information, 2026-09-30.
- Samuel Sokota und Kollegen / arXiv: Superhuman AI for Stratego Using Self-Play Reinforcement Learning and Test-Time Search, 2025-11-10.
- Adam Zewe / MIT News: This game-playing AI is the new champ at Stratego, 2026-09-30.
- Google DeepMind: Mastering Stratego, the classic game of imperfect information, 2022-12-01.
Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
