In Kürze

  • Forschende von MIT, Carnegie Mellon, NYU und Stanford haben mit «Ataraxos» ein KI-System entwickelt, das den am höchsten dekorierten Stratego-Spieler der Welt im direkten Vergleich mit 15:1:4 bezwang; die Studie erschien am 30. September 2026 in «Nature».
  • Das Training kostete nach Angaben der Forschenden unter 8000 US-Dollar – 16 Grafikprozessoren vom Typ H100 liefen eine Woche für das Verstärkungslernmodell, vier weitere H100 vier Tage für das Modell, das die verdeckten Spielzüge des Gegners einschätzt.
  • Zum Vergleich: Das Vorgängersystem DeepNash von Google DeepMind wurde auf 1024 TPU-Rechenknoten über zwei bis drei Monate trainiert, was bei aktuellen Preisen geschätzte 3 bis 4,5 Millionen Dollar gekostet hätte – Ataraxos erreichte mit weniger als einem Hundertstel der Trainingsbeispiele und einem Dreissigstel der Selbstspiel-Partien eine höhere Spielstärke.

Was ist passiert?

Ein Forschungsteam von MIT, Carnegie Mellon University, New York University und Stanford University hat mit «Ataraxos» ein KI-System für das Brettspiel Stratego entwickelt, das in einem 20-Partien-Wettkampf den am höchsten dekorierten menschlichen Stratego-Champion mit 15 Siegen, einer Niederlage und vier Unentschieden bezwang. Stratego gilt als besonders anspruchsvoll für KI-Systeme, weil Spielerinnen und Spieler die Figuren des Gegners nicht sehen können und Entscheidungen unter radikaler Unsicherheit treffen müssen. Die Studie wurde am 30. September 2026 im Fachjournal «Nature» veröffentlicht.

Das auffälligste Ergebnis betrifft nicht die Spielstärke allein, sondern die Trainingskosten: Nach Angaben der Forschenden liefen die Verstärkungslernmodelle von Ataraxos auf 16 Grafikprozessoren des Typs Nvidia H100 eine Woche lang, das ergänzende Modell zur Einschätzung der verdeckten Spielzüge des Gegners auf vier weiteren H100 während vier Tagen. Bei aktuellen Cloud-Preisen summiert sich das auf weniger als 8000 US-Dollar.

Warum ist das wichtig?

Zum Vergleich ziehen die Forschenden DeepNash heran, das 2022 von Google DeepMind vorgestellte Vorgängersystem für Stratego: Dessen Training lief auf 1024 TPU-Rechenknoten über zwei bis drei Monate, was bei heutigen Preisen schätzungsweise 3 bis 4,5 Millionen Dollar kosten würde. Ataraxos erreichte mit weniger als einem Hundertstel der Trainingsbeispiele und einem Dreissigstel der Selbstspiel-Partien eine nachweislich höhere Spielstärke als DeepNash – ein Effizienzsprung um mehrere Grössenordnungen.

Die Forschenden führen den Sprung auf eine Technik namens «dynamic damping» zurück, die während des Trainings die Regularisierungsstärke laufend mit der Grösse der jeweiligen Strategieanpassung abstimmt. Dadurch lernt das System gezielter, ohne sich in der Vorhersage sämtlicher theoretisch möglicher Spielzüge des Gegners zu verlieren – ein Ansatz, der sich laut den Autorinnen und Autoren auch auf andere Probleme mit unvollständiger Information übertragen liesse, etwa in der Logistik oder bei Verhandlungssimulationen.

Was bedeutet das für die Schweiz?

Redaktionelle Einordnung: Die folgenden Schlussfolgerungen beziehen sich auf die genannten Quellen. Sie sind keine zusätzlichen Meldungen der Originalquelle.

  • Für Schweizer Forschungsinstitutionen wie ETH Zürich, EPFL und das Swiss National Supercomputing Centre (CSCS), die im internationalen Wettbewerb um Rechenleistung mit weit grösseren US-Budgets konkurrieren, zeigt die Studie, dass gezielte algorithmische Effizienz einen Teil des Rechenleistungsnachteils ausgleichen kann.
  • Die am CSCS-Supercomputer «Alps» trainierten Schweizer Sprachmodelle der Initiative Apertus stehen vor einer ähnlichen Ressourcenfrage; Techniken wie das in der Studie beschriebene «dynamic damping», das Regularisierungsstärke und Grösse der Richtlinienanpassung während des Trainings aufeinander abstimmt, könnten für künftige, rechenleistungsbeschränkte Schweizer Projekte als Vorbild dienen.
  • Für Schweizer Fachhochschulen und KMU-nahe Forschungsgruppen mit begrenztem Budget liefert Ataraxos ein konkretes Gegenbeispiel zur verbreiteten Annahme, wettbewerbsfähige KI-Forschung erfordere zwingend Rechenzentren im Massstab der grossen US-Anbieter.

Verwendete Quellen

MIT News berichtete am 30. September 2026 über die in «Nature» veröffentlichte Studie zu Ataraxos; weitere technische Angaben zu Trainingskosten und Vergleichswerten stammen aus Fachberichten von Remio AI und dem Newsletter AI Weekly.

Quellenstatus: 3 verlinkte Quellen · 0 von 3 Originaldaten verifiziert. Prüfregeln ansehen

Häufige Fragen

Was ist die Kernaussage zu Für unter 8000 Dollar trainiert: KI «Ataraxos» schlägt Stratego-Champion und Googles Milliarden-System?

Forschende von MIT, Carnegie Mellon, NYU und Stanford haben mit «Ataraxos» ein KI-System entwickelt, das den am höchsten dekorierten Stratego-Spieler der Welt im direkten Vergleich mit 15:1:4 bezwang; die Studie erschien am 30. September 2026 in «Nature».

Warum ist diese KI-Meldung für die Schweiz relevant?

Für Schweizer Forschungsinstitutionen wie ETH Zürich, EPFL und das Swiss National Supercomputing Centre (CSCS), die im internationalen Wettbewerb um Rechenleistung mit weit grösseren US-Budgets konkurrieren, zeigt die Studie, dass gezielte algorithmische Effizienz einen Teil des Rechenleistungsnachteils ausgleichen kann.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

MIT News berichtete am 30. September 2026 über die in «Nature» veröffentlichte Studie zu Ataraxos; weitere technische Angaben zu Trainingskosten und Vergleichswerten stammen aus Fachberichten von Remio AI und dem Newsletter AI Weekly.