Stratego में सुपरह्यूमन (Superhuman) स्तर का सिस्टम (System), जिसकी कंप्यूट (Compute) लागत कुछ हज़ार डॉलर बताई गई

2026-09-30 को MIT News ने बताया कि MIT, Carnegie Mellon University, New York University और Stanford University के शोधकर्ताओं ने Nature में एक काम प्रकाशित किया, जिसमें Ataraxos का वर्णन है — एक रीइन्फोर्समेंट लर्निंग (Reinforcement Learning, RL) सिस्टम (System), जिसने दुनिया के सबसे मज़बूत Stratego खिलाड़ी को 20 गेम (Game) में 15-1-4 से हराया और Stratego विश्व चैंपियनशिप (World Championship) में शीर्ष मानव खिलाड़ियों के खिलाफ 39-2 का रिकॉर्ड (Record) बनाया। इस सिस्टम को पहला सुपरह्यूमन (Superhuman) Stratego सिस्टम बताया गया है।

• स्टोरी आईडी (Story ID): S37
• शीर्षक (Title): Ataraxos पहला रिपोर्ट किया गया सुपरह्यूमन (Superhuman) Stratego सिस्टम बना, जो $8,000 से कम के कम्प्यूट (Compute) पर बना
• संगठन (Organization): MIT / Carnegie Mellon / NYU / Stanford
• श्रेणियां (Categories): एआई रिसर्च (AI Research) / रीइन्फोर्समेंट लर्निंग (Reinforcement Learning)
• इवेंट तिथि (Event date): 2026-09-30
• घोषणा तिथि (Announcement date): 2026-09-30
• लेख की तिथियां (Article dates): ["2026-09-30", "2026-10-01", "2026-10-02"]
• साक्ष्य स्थिति (Evidence status): INDEPENDENTLY VERIFIED (प्राथमिक स्रोत मौजूद है; कम्प्यूट (Compute) के दावे की गहराई से जांच ज़रूरी है)
• विश्वास स्तर (Confidence): मध्यम (Medium)
• महत्व (Importance): 6 (तकनीकी महत्व ऊंचा; सीधा एंटरप्राइज़/रणनीतिक प्रभाव अपेक्षाकृत सीमित)
• तकनीकी प्रभाव (Technical impact): 8
• एंटरप्राइज़ प्रभाव (Enterprise impact): 4
• डेवलपर प्रभाव (Developer impact): 5
• रणनीतिक प्रभाव (Strategic impact): 6
• कंटेंट संभावना (Content potential): 9
• प्रशिक्षण संभावना (Training potential): 9
• कंसल्टिंग संभावना (Consulting potential): 6

डिस्कवरी (Discovery) से स्रोत रिकॉर्ड (Source record): देखें research/DISCOVERY_RAW.json (S37).

Stratego (एक बड़ा इम्परफ़ेक्ट-इनफ़ॉर्मेशन गेम (Imperfect-Information Game)) में सुपरह्यूमन (Superhuman) खेल पहले के ऐतिहासिक गेम-खेलने वाले सिस्टम (Game-playing System) की तुलना में बहुत कम रिपोर्ट की गई प्रशिक्षण लागत (Training Cost) पर हासिल हुआ। लेखकों के अनुसार Ataraxos ने यह केवल कुछ हज़ार डॉलर की प्रशिक्षण लागत से किया, और यह कम्प्यूट (Compute) DeepMind के पहले के सिस्टम — जो किसी दूसरे गेम के लिए था — के लगभग 1/500वां हिस्सा है। सामान्य तरीक़ों (सेल्फ-प्ले आरएल (Self-play RL) + जेनरेटिव मॉडल (Generative Model) के साथ डिसीज़न-टाइम प्लानिंग (Decision-time Planning), जो छिपे हुए मोहरों की पहचान का अनुमान लगाता है) ने पिछले दृष्टिकोणों की तुलना में अधिक कुशलता से सुपरह्यूमन प्रदर्शन दिया।

• पहले: Stratego का कोई भी सुपरह्यूमन (Superhuman) सिस्टम रिपोर्ट नहीं था (Stratego लंबे समय से इम्परफ़ेक्ट इनफ़ॉर्मेशन (Imperfect Information) का बेंचमार्क (Benchmark) रहा है; पिछले प्रयास कम्प्यूटेशनल रूप से महंगे थे और शीर्ष मानव खिलाड़ियों के खिलाफ सुपरह्यूमन खेल तक नहीं पहुंचे)।
• बदलाव: शोधकर्ताओं ने कुशल सेल्फ-प्ले रीइन्फोर्समेंट लर्निंग (Self-play Reinforcement Learning) को डिसीज़न-टाइम प्लानिंग (Decision-time Planning) के साथ जोड़ा — सेल्फ-प्ले से ब्लूप्रिंट स्ट्रैटेजी (Blueprint Strategy) सीखी जाती है, और योजना बनाते समय एक जेनरेटिव मॉडल (Generative Model) संभावित छिपी अवस्थाओं का अनुमान लगाता है; रिपोर्ट की गई प्रशिक्षण लागत लगभग कुछ हज़ार डॉलर थी।
• बाद में: Ataraxos ने सबसे मज़बूत Stratego खिलाड़ी को 15-1-4 से हराया (20 गेम) और विश्व चैंपियनशिप (World Championship) में शीर्ष मानव खिलाड़ियों के खिलाफ 39-2 दर्ज किया; इसे पहला सुपरह्यूमन Stratego सिस्टम बताया गया। अन्य इम्परफ़ेक्ट-इनफ़ॉर्मेशन गेम (Barrage Stratego, Hanabi, Dou dizhu) पर भी ट्रांसफ़र (Transfer) दिखाया गया।

• सामान्य खेल-कौशल के लिए मज़बूत "ब्लूप्रिंट स्ट्रैटेजी (Blueprint Strategy)" सीखने हेतु सेल्फ-प्ले आरएल (Self-play RL)।
• नमूनों और गेम की ज़रूरत घटाने वाले कुशल प्रशिक्षण एल्गोरिद्म (Training Algorithms) (दावा: DeepNash की तुलना में 1/100 से कम प्रशिक्षण उदाहरण, 1/30 से कम सेल्फ-प्ले गेम)।
• हर चाल पर डिसीज़न-टाइम प्लानिंग (Decision-time Planning): जेनरेटिव मॉडल (Generative Model) से प्रतिद्वंद्वी के छिपे मोहरों की संभावित पहचान (संभावित बोर्ड अवस्थाएं) का अनुमान लगाएं, फिर चाल चुनने से पहले आगे के विकल्पों का मूल्यांकन करें।
• आर्किटेक्चर (Architecture)/दृष्टिकोण इस तरह बनाया गया कि बड़े इम्परफ़ेक्ट-इनफ़ॉर्मेशन (Imperfect Information) स्टेट स्पेस (State Space) में स्केल (Scale) कर सके (सभी संभावनाओं को एक-एक करके गिनने से बचा जाए)。
• व्यापकता दिखाने के लिए कई इम्परफ़ेक्ट-इनफ़ॉर्मेशन गेम (Imperfect-Information Game) पर परीक्षण किया गया।

एक कठिन छिपी-सूचना वाले गेम (Hidden-Information Game) में सुपरह्यूमन (Superhuman) खेल, पहले के ऐतिहासिक सिस्टम की तुलना में लगभग 500 गुना कम कम्प्यूट (Compute) पर, यह दिखाता है कि बेहतरीन गेम-खेलने वाले सिस्टम (Game-playing System) बनाने की लागत तेज़ी से गिरी है। इससे भी ज़्यादा अहम यह है कि ये तकनीकें (कुशल सेल्फ-प्ले (Self-play) + छिपी अवस्थाओं के लिए जेनरेटिव-मॉडल-आधारित (Generative-Model-based) प्लानिंग (Planning)) Stratego से आगे भी लागू होती हैं और असली इम्परफ़ेक्ट-इनफ़ॉर्मेशन (Imperfect Information) क्षेत्रों में ढाली जा सकती हैं।

• छिपी सूचना वाले क्षेत्रों (बातचीत/नेगोशिएशन (Negotiation), नीलामी (Auction), साइबर सुरक्षा (Cybersecurity), सैन्य योजना अभ्यास) के लिए विशेष एजेंट (Agent) छोटी टीमों द्वारा सस्ते में विकसित करना।
• बड़े इम्परफ़ेक्ट-इनफ़ॉर्मेशन (Imperfect Information) परिवेशों के लिए आरएल + सर्च (RL + Search) का व्यावहारिक इस्तेमाल, जिन्हें पहले बहुत महंगा माना जाता था।
• कम्प्यूट बजट (Compute Budget) सीमित होने पर रणनीतियों (Strategy) पर तेज़ी से पुनरावृत्ति (Iteration) करना।

• कम्प्यूट दक्षता (Compute Efficiency): रिपोर्ट की गई प्रशिक्षण लागत "केवल कुछ हज़ार डॉलर" और DeepMind के पहले के सिस्टम (जो किसी दूसरे गेम के लिए था) का लगभग 1/500वां कम्प्यूट (Compute)। ये लेखकों के अनुमान हैं; हार्डवेयर (Hardware), प्रशिक्षण समय और परिवेश की लागतों का सटीक सत्यापन ज़रूरी है।
• अनिश्चितता में प्लानिंग (Planning under Uncertainty): छिपी अवस्थाओं के लिए जेनरेटिव मॉडल (Generative Model) वह मुख्य घटक है जो यह प्रदर्शन संभव बनाता है।
• नमूना दक्षता (Sample Efficiency): पिछले सिस्टमों की तुलना में प्रशिक्षण उदाहरणों और सेल्फ-प्ले गेम (Self-play Game) में बड़ी कमी रिपोर्ट की गई।
• व्यापकता (Generalization): Barrage Stratego, Hanabi, Dou dizhu पर प्रदर्शन बताता है कि तकनीकें संकीर्ण रूप से ओवरफ़िट (Overfit) नहीं हैं।

• छोटी टीमें जटिल इम्परफ़ेक्ट-इनफ़ो (Imperfect-info) गेम में प्रतिस्पर्धी/मज़बूत एजेंट (Agent) के साथ प्रयोग कर सकती हैं।
• फ्रंटियर-स्केल (Frontier-scale) कम्प्यूट बजट (Compute Budget) के बिना क्षेत्र-विशिष्ट सहायक/प्लानर (Planner) बनाने का रास्ता खुलता है (बशर्ते तकनीकें ट्रांसफ़र (Transfer) हों)।
• सीखे हुए बिलीफ़ मॉडल (Belief Model) के साथ डिसीज़न-टाइम प्लानिंग (Decision-time Planning) इंटरैक्टिव एजेंट (Interactive Agent) बनाने वाले डेवलपर के लिए दोबारा इस्तेमाल योग्य पैटर्न (Pattern) है।

• संभावित उपयोग: नेगोशिएशन सपोर्ट (Negotiation Support), धोखाधड़ी पकड़ना/जोखिम आकलन (Fraud Detection/Risk Assessment), बोली (Bidding), सप्लाई चेन (Supply Chain) तथा दूसरी जगहें जहां छिपी सूचना मायने रखती है। लेकिन सीधे एंटरप्राइज़ परिनियोजन (Enterprise Deployment) का दावा नहीं है; तकनीक हस्तांतरण (Technology Transfer) का रास्ता अभी रिसर्च-स्टेज (Research-stage) पर है।
• लागत/प्रदर्शन (Cost/Performance) की यह सफलता रणनीतिक निर्णय की समस्याओं से निपटने वाले एआई सिस्टम (AI System) के लिए प्रवेश की बाधा घटा सकती है।
• क्षेत्र-विशिष्ट अनुकूलन (Domain Adaptation) के बिना एंटरप्राइज़ उत्पाद (Enterprise Product) पर सीधा असर तुरंत स्पष्ट नहीं है।

• यह दिखाता है कि एल्गोरिद्मिक प्रगति (Algorithmic Progress) परिपक्व बेंचमार्क (Benchmark) में भी बड़े दक्षता लाभ दे सकती है।
• संकेत मिलता है कि छोटे खिलाड़ी (Actor) भी मामूली कम्प्यूट (Compute) से रणनीतिक क्षेत्रों में मज़बूत नतीजे पा सकते हैं।
• इससे यह सवाल उठता है कि रणनीतिक एआई क्षमताएं (Strategic AI Capabilities) छोटी टीमों तक कितनी तेज़ी से फैलती हैं।

• दुरुपयोग की संभावना, अगर तकनीकें गार्डरेल्स (Guardrails) के बिना विरोधी/रक्षात्मक रणनीतिक संदर्भों में लगाई जाएं।
• कम्प्यूट तुलना (Compute Comparison) को बढ़ा-चढ़ाकर कहना: "1/500वां कम्प्यूट (Compute)" की तुलना DeepMind के पहले के सिस्टम से है, जो किसी दूसरे गेम के लिए था — यह असंगत तुलना (Apples-to-oranges) है; सावधानी से जांच ज़रूरी है।
• असली दुनिया के बिखरे क्षेत्रों (Messy Domain) में व्यापकता (Generalization) अनिश्चित है।
• हाइप जोखिम (Hype Risk): किसी संकीर्ण गेम बेंचमार्क (Game Benchmark) में "सुपरह्यूमन (Superhuman)" होना असली दुनिया की उपयोगिता में नहीं बदल सकता।

• कम्प्यूट लागत (Compute Cost) का आंकड़ा: "केवल कुछ हज़ार डॉलर" और सापेक्ष गुणक (1/500वां) के रूप में रिपोर्ट किया गया। सटीक ब्यौरा (हार्डवेयर (Hardware), घंटे, क्लाउड लागत (Cloud Cost)) MIT News में पूरी तरह नहीं दिया गया; डिस्कवरी (Discovery) के दौरान Nature पेपर (Paper) का यूआरएल (URL) सीधे हल नहीं हुआ, लेकिन संस्थागत कवरेज (Institutional Coverage) प्राथमिक है। सत्यापन ज़रूरी है।
• "सुपरह्यूमन (Superhuman)" का दावा शीर्ष-रैंक वाले मानव खिलाड़ियों के खिलाफ मैचों (दर्ज नतीजों) पर टिका है।
• नतीजे स्पष्ट नियमों वाले गेम परिवेशों (Game Environment) में हैं; असली दुनिया के क्षेत्र अधिक जटिल हैं।
• DeepMind के पहले के सिस्टम से तुलना, जो किसी दूसरे गेम के लिए था, दक्षता के दावे की व्याख्या (Interpretability) सीमित करती है।
• डिस्कवरी संदर्भ (Discovery Context) में जिस arXiv आईडी (arXiv ID) का ज़िक्र था, वह सही पेपर नहीं था (AISI arXiv 2609.38415, GPT-6 Astra के साइबर मूल्यांकन (Cyber Eval) के बारे में है, Ataraxos के बारे में नहीं)। प्राथमिक पेपर Nature है (MIT News में संदर्भित) — सटीक DOI/URL की पुष्टि की जानी चाहिए।

• कम्प्यूट/प्रशिक्षण लागत (Compute/Training Cost) का सटीक ब्यौरा क्या है (जीपीयू (GPU) का प्रकार, घंटे, कुल डॉलर)?
• Ataraxos की तुलना Stratego के सबसे मज़बूत समकालीन सिस्टमों से कैसे होती है (केवल ऐतिहासिक सिस्टमों से नहीं)?
• क्या जेनरेटिव बिलीफ़ मॉडल (Generative Belief Model) आंशिक रूप से अवलोकनीय (Partially Observable) असली दुनिया के कार्यों में सामान्यीकृत (Generalize) होता है?
• विफलता के तरीक़े (Failure Mode) और मज़बूती की विशेषताएं (Robustness Characteristic) क्या हैं?
• क्या व्याख्या-क्षमता (Interpretability) जोड़ी जा सकती है ताकि मनुष्य तर्क (Reasoning) समझ सकें?

सर्कल 1 (Circle 1 — तत्काल तकनीकी समुदाय): इम्परफ़ेक्ट इनफ़ॉर्मेशन (Imperfect Information) के लिए आरएल (RL), अनिश्चितता में प्लानिंग (Planning under Uncertainty) में ऊंची रुचि।

• सुझाव: जब उपलब्ध हो, प्राथमिक Nature पेपर (Paper) पढ़ें; संभव हो तो छोटे पैमाने के प्रयोग दोहराएं। कम्प्यूट के दावों (Compute Claims) को पेपर के ब्यौरों से जांचें।

सर्कल 2 (Circle 2 — लागू एआई (Applied AI) के प्रैक्टिशनर): नेगोशिएशन (Negotiation), गेम, सुरक्षा सिमुलेशन (Security Simulation) में क्षेत्र-विशिष्ट एजेंट (Domain-specific Agent) की संभावना।

• सुझाव: असली क्षेत्रों में ट्रांसफ़र (Transfer) पर आगे के काम को ट्रैक करें; आकलन करें कि तकनीकें विशिष्ट उपयोग-मामलों (Use Case) पर लागू होती हैं या नहीं।

सर्कल 3 (Circle 3 — व्यापक एंटरप्राइज़/रणनीतिक): दक्षता की यह सफलता संकेत देती है कि छोटी टीमें रणनीतिक एआई (Strategic AI) में प्रतिस्पर्धा कर सकती हैं।

• सुझाव: इसके फैलाव (Diffusion) पर नज़र रखें; रणनीतिक निर्णय सहायता (Strategic Decision Support) बनाने वाले संगठनों के लिए इसके निहितार्थों पर विचार करें।

असली अवसर (लंबी अवधि के, रिसर्च-स्टेज (Research-stage)):

• छिपी सूचना वाले परिदृश्यों के लिए रणनीतिक सिमुलेशन/प्लानिंग टूल (Strategic Simulation/Planning Tool) (प्रशिक्षण, हल्का वॉरगेमिंग (Wargaming-lite), नेगोशिएशन रिहर्सल (Negotiation Rehearsal))।
• आंशिक अवलोकनीयता (Partial Observability) वाले क्षेत्रों के लिए अधिक कुशल एजेंट फ़्रेमवर्क (Agent Framework)।
• आरएल-आधारित एजेंट विकास (RL-based Agent Development) की लागत में कमी।

क्षेत्र-विशिष्ट अनुकूलन (Domain Adaptation) के बिना तुरंत उत्पादीकरण (Productization) नहीं।

प्रकार (Type): VERIFY/INSPECT सुझाव: प्राथमिक Nature पेपर (Paper) के ब्यौरे (विधियां, प्रशिक्षण कम्प्यूट (Training Compute), लागतें) हासिल करें। किसी न्यूनतम संस्करण (Minimal Version) को संकल्पनात्मक रूप से दोहराएं/निरीक्षण करें। विशेष रूप से कम्प्यूट के आंकड़ों को जांचें — "कुछ हज़ार डॉलर" और "DeepMind के पहले के सिस्टम, जो किसी दूसरे गेम के लिए था, की तुलना में 1/500वां कम्प्यूट (Compute)"। स्वतंत्र रिपोर्टिंग (Independent Reporting) से मिलान करें।

• Nature में प्राथमिक प्रकाशन (Primary Publication) का ब्यौरा कम्प्यूट/विधियों को स्पष्ट करेगा।
• समान तकनीकों को दूसरे इम्परफ़ेक्ट-इनफ़ो (Imperfect-info) क्षेत्रों पर लगाने वाले फ़ॉलो-अप (Follow-up) की उम्मीद रहेगी।
• बहस यह रहेगी कि दक्षता के लाभ गेम से आगे सामान्यीकृत (Generalize) होते हैं या नहीं; संदर्भ में "सुपरह्यूमन (Superhuman)" दावों की जांच होगी।
• अगर विधियां दोहराई जा सकें तो ओपन-सोर्स (Open-source) कार्यान्वयन (Implementation) की संभावना है।

Ataraxos दिखाता है कि एल्गोरिद्मिक दक्षता (Algorithmic Efficiency) और छिपी सूचना के साथ बेहतर प्लानिंग (Planning) मिलकर एक कुख्यात कठिन गेम में मामूली कम्प्यूट (Compute) पर सुपरह्यूमन (Superhuman) प्रदर्शन दे सकते हैं। असली कहानी सिर्फ़ "एआई (AI) ने Stratego को हरा दिया" नहीं है, बल्कि यह है कि रणनीतिक इम्परफ़ेक्ट-इनफ़ो (Imperfect-info) क्षेत्रों में मज़बूत नतीजे छोटी टीमों के लिए सुलभ हो रहे हैं — बशर्ते रिपोर्ट की गई कम्प्यूट दक्षता (Compute Efficiency) जांच में टिके।