카네기멜런대와 MIT 등 공동 연구진이 만든 AI ‘아타락소스(Ataraxos)’가 스트라테고(Stratego)의 정상급 인간 선수를 20판 중 15판에서 이겼다. 스트라테고는 상대 말의 정체를 모른 채 수천 수에 걸쳐 추리와 허세를 겨뤄야 해, 거액을 투입한 기존 AI도 최상위 선수를 안정적으로 꺾지 못했던 게임이다. 연구진은 상대 말의 배치를 추정하는 모델과 수를 두기 전 탐색하는 방식을 결합했고, GPU 16개를 중심으로 한 비교적 작은 훈련 규모로 결과를 냈다. 승패뿐 아니라 적은 연산 자원으로 불완전한 정보를 다루는 방법을 보여줬다는 점에서 주목할 만하다.
핵심요약
- 아타락소스는 세계선수권 4회 우승자 핌 니마이어와의 20판에서 15승 4무 1패를 기록하며 스트라테고 최상위권 인간 선수를 상대로 강한 성적을 냈다.
- 스트라테고는 상대 말 40개의 정체가 숨겨지고 한 판이 2,000수까지 이어질 수 있어, 눈앞의 수뿐 아니라 긴 시간에 걸친 추리가 중요하다.
- 연구진은 상대의 움직임으로 말의 정체를 추정하는 믿음 모델을 붙여, 가능한 배치를 전부 따지지 않고도 수를 두기 전 탐색할 수 있게 했다.
- 아타락소스는 본체 훈련에 GPU 16개를 일주일 사용하고 믿음 모델 훈련에 GPU 4개를 나흘 더 써, 앞선 딥내시보다 훨씬 적은 연산 자원으로 성과를 냈다.
- 연구진은 같은 접근법을 다른 게임에도 적용했지만, 게임 밖 문제에 쓰려면 AI가 자신의 선택을 설명할 수 있어야 한다고 봤다.
보이지 않는 말 40개와 긴 승부
체스에서는 상대의 기물이 무엇인지 모두 보이지만, 스트라테고에서는 말의 위치만 보이고 정체는 숨겨진다. 각 선수는 원수부터 스파이까지의 계급을 나타내는 말과 폭탄, 깃발을 포함해 40개를 놓고, 상대 깃발을 잡으면 이긴다. 두 말이 맞붙으면 약한 말이 제거되고 살아남은 말의 정체가 드러난다. 따라서 매번 공격은 전력 확인인 동시에 그 전력을 잃을 수도 있는 선택이다.
연구진은 이 게임의 어려움이 숨은 정보의 양과 승부의 길이에 있다고 설명한다. 텍사스 홀덤에서 플레이어의 숨겨진 카드 두 장이 만드는 패는 1,326가지지만, 스트라테고 말 40개의 배치 가능성은 10의 33제곱을 넘는다. 체스는 보통 40수 안팎에 끝나는 반면 스트라테고는 한 판이 2,000수에 이를 수 있다. 약한 말을 강한 말처럼 움직여 상대를 물러서게 하는 허세도 필요하지만, 너무 자주 쓰면 위협이 통하지 않고 전혀 쓰지 않으면 읽히기 쉽다.
자가 대국 1억 6300만 판의 조정법
아타락소스는 자신과 대국하며 배우는 자가 대국(스스로 상대가 돼 경기하며 학습하는 방식)으로 총 1억 6300만 판을 치렀다. 승리로 이어진 수는 다음 대국에서 더 자주 선택하고, 패배로 이어진 수는 덜 선택하는 기본 원리는 딥마인드(DeepMind)의 앞선 AI ‘딥내시(DeepNash)’와 같다. 차이는 경기가 끝난 뒤 전략을 얼마나 크게 바꾸느냐에 있었다. 숨은 정보가 많은 게임에서는 한 판의 결과만 보고 조정하면 학습이 제자리를 맴돌기 쉽다.
연구진은 훈련 초반에는 전략을 과감하게 바꾸고, 후반에는 조정 폭을 줄였다. 초기에 여러 방향을 시도하면서도 나중에는 쌓아 올린 전략을 쉽게 흔들지 않도록 한 것이다. 아타락소스가 치른 훈련 대국 수는 딥내시보다 약 34배 적었다. 연구진은 이런 학습 방식에 더해, 실제 대국에서 수를 두기 직전 후보들을 살피는 절차를 도입했다.
상대의 움직임으로 숨은 배치 추정
알파고(AlphaGo)처럼 수를 두기 전에 앞을 내다보는 탐색은 스트라테고에서 그대로 적용하기 어려웠다. 상대 말의 정체를 모르므로 가능한 배치를 모두 놓고 이후의 수를 계산하려면 탐색할 경우의 수가 지나치게 커진다. 딥마인드도 딥내시에서는 이 방식의 탐색을 구현하지 못했다. 아타락소스 연구진은 경우의 수를 전부 훑는 대신, 그럴듯한 배치를 골라 살펴보는 쪽을 택했다.
이를 위해 두 번째 신경망인 ‘믿음 모델’(관찰한 행동을 바탕으로 숨은 상태를 추정하는 모델)을 훈련했다. 이 모델은 상대 말이 지금까지 어떻게 움직였는지를 보고 말의 정체를 추정한다. 아타락소스는 추정 결과에 맞는 배치를 몇 가지 뽑아 각 배치에서 후보 수를 진행해 본 뒤, 그 결과를 바탕으로 실제 수를 고른다. 상대가 확실히 무엇을 가졌는지 알아낸 것은 아니지만, 모든 가능성을 똑같이 다루지 않아도 앞으로 벌어질 일을 검토할 수 있게 된 셈이다.
비밀을 아는 쪽의 불안을 피하다
‘아타락소스’라는 이름은 평온한 상태를 뜻하는 고대 그리스어에서 왔다. 공동 저자인 MIT의 가브리엘레 파리나는 AI가 인간처럼 당황해 즉흥적인 선택을 하지 않는다고 설명했다. 크게 불리해졌을 때 인간 선수라면 한 번에 만회하려는 도박을 할 수 있지만, 아타락소스는 천천히 판세를 회복하는 수를 찾는다. 연구진은 승리 확률을 약 2%로 추정한 상황에서도 AI가 태연하게 허세를 활용해 돌아오는 모습을 봤다고 전했다.
아타락소스는 자신의 약점을 안다고 해서 반드시 그곳을 지키려 들지도 않는다. 상대가 그 약점을 눈치챘을 이유가 없다고 추정하면, 양쪽 말의 정체를 모두 아는 사람에게는 위험해 보이는 자리를 그대로 둔다. 파리나는 비밀을 아는 인간에게 그 사실을 모르는 것처럼 판단하기란 어렵지만 기계에는 쉽다고 설명했다. 연구진이 보기에 이 차이는 AI가 인간의 허세처럼 보이는 수를 두고도 이후 대응을 일관되게 이어 가는 이유 중 하나다.
최상위 선수와 20판, 세계대회에서 40판
아타락소스의 상대였던 핌 니마이어는 세계선수권에서 네 차례 우승했고, 세계 랭킹 1위에 오른 기간도 600주가 넘는다. 그는 3주 동안 온라인으로 AI와 20판을 두며 1승당 100달러를 받는 조건으로 대국했다. 니마이어는 대국 중 AI가 자신에게 맞춰 전략을 바꾸지 않는다는 사실을 알고 있었고, 약점을 찾을 시간도 있었다. 최종 결과는 아타락소스의 15승 4무 1패였다.
연구진은 유일한 패배를 특정한 전략적 결함으로 보지 않았다. 스트라테고에서는 말의 초기 배치를 무작위로 섞는 일이 중요해, 좋은 전략도 때로는 질 수 있다는 설명이다. 연구진 역시 AI 쪽에 운이 따랐던 판이 있다고 인정했다. 2025년 스트라테고 세계선수권 현장에서 도전자를 상대로 한 대국에서는 아타락소스가 40판 중 38판을 이겼고, 깃발을 구석에 두고 폭탄 두 개만으로 막는 드문 배치가 선수들의 관심을 끌었다.
GPU 사용량을 줄인 빠른 시뮬레이터
성적 못지않게 연구진이 강조한 것은 훈련에 들어간 자원이다. 딥내시는 구글의 특수 칩 1,024개에서 23개월 동안 훈련됐으며, 아타락소스 연구진은 이를 2025년 가격으로 환산하면 300만450만 달러가 들었을 것으로 추정했다. 아타락소스 본체는 GPU 16개로 일주일, 믿음 모델은 GPU 4개로 나흘을 더 훈련했다. 원문이 전한 전체 훈련비는 수천 달러 수준이다.
효율을 높인 수단 중 하나는 그래픽카드에서 초당 수백만 수를 처리하는 시뮬레이터였다. 연구진은 대량의 대국을 빠르게 생성하면서도, 딥내시보다 훨씬 적은 판수를 학습에 사용했다. 파리나는 학계 연구진에게 GPU를 대규모로 확보하기는 어렵다고 말했다. 이번 결과는 연산 자원을 늘리는 것뿐 아니라, 대국을 만드는 속도와 학습·탐색 방식을 함께 설계하는 일이 중요하다는 점을 보여준다.
다른 게임으로 넓히고, 설명은 남기다
연구진은 같은 구조를 다른 게임에도 적용했다. 말 여덟 개로 더 빠르게 진행하는 ‘배러지 스트라테고(Barrage Stratego)’에서는 세계 챔피언 세 명을 이겼고, 협동 카드 게임 ‘하나비(Hanabi)’도 학습했다. 중국 카드 게임 ‘더우디주(dou dizhu)’에서는 기존 최상위 봇들을 꺾었다. 상대의 정보가 숨겨지는 방식이나 승리 조건이 달라도 접근법을 시험해 본 것이다.
연구진의 관심은 협상, 금융시장, 군사적 충돌처럼 상대의 상태와 대응을 알기 어려운 문제에도 향해 있다. 뉴욕대의 유진 비니츠키는 현실의 문제도 단순화한 모델을 만든 뒤 상대가 어떻게 반응할지 진행해 보는 방식으로 접근할 수 있다고 설명했다. 다만 보드게임과 달리 이런 문제에는 고정된 규칙이나 분명한 승자가 없는 경우가 많다. 파리나는 아타락소스가 현재 자신의 수를 왜 골랐는지 설명하지 못한다며, 강하면서도 이해하고 해석할 수 있는 전략을 만드는 일이 남았다고 말했다.
커뮤니티 의견
한 사용자는 어린 시절 주변 사람들을 모두 이길 만큼 스트라테고를 즐겼지만, AI에 어려운 게임일 줄은 몰랐다고 했다. 답글에서는 상대 진영을 탐색 공격으로 살피고 그에 맞춰 말을 이동시키던 기억을 떠올리며, 그런 전략을 쓰는 프로그램이 왜 만들기 어려웠는지 놀랍다는 반응도 나왔다.
다른 사용자는 딥내시보다 약 34배 적은 대국으로 학습했다는 점을 가장 중요한 성과로 꼽았다. 숨은 정보를 모르면 같은 수가 좋을 수도 나쁠 수도 있어 미래를 탐색하기 어렵지만, 상대의 움직임을 빠르게 예측할 수 있다면 근거 있는 선택이 가능해진다는 설명이다. 답글에서는 단순히 무작위로 행동하는 것만으로 해결될 문제가 아니라, 드러난 정보에 따라 좋은 배치와 이동 전략도 달라진다고 지적했다.
훈련비를 강조하는 표현에 이의를 제기한 사용자도 있었다. GPU 16개와 수천 달러만으로 이룬 성과라고 해도 카네기멜런대, MIT, 뉴욕대, 스탠퍼드대 연구진의 전문성까지 적게 든 것은 아니라는 주장이다. 이에 대한 답글은 그 표현이 연구진의 능력보다 딥마인드와 비교한 연산 자원 규모를 가리킨다고 해석했다.
또 다른 사용자는 2022년 딥내시 연구를 되짚었다. 당시의 ‘마스터했다’는 표현과 달리 최상위 인간 선수를 안정적으로 이기는 단계에는 이르지 못했고, 이번 결과가 그 차이를 드러낸다는 의견이다. 이는 AI가 게임을 잘 둔다는 발표를 읽을 때 누구를 상대로 얼마나 꾸준히 이겼는지도 살펴야 한다는 관점이다.
실물 보드의 경험을 꺼낸 사용자도 있었다. 어릴 때 상대 말에 난 미세한 흠집을 발견해 숨겨진 정보를 알아낼 수 있었는데, 이는 공정하지 않은 이점이었다고 회상했다. 답글에서는 상대가 그런 흔적을 비밀 단서라고 믿고 이용하기 시작하면, 오히려 그 단서를 속임수로 활용할 수도 있다고 했다.
규칙이 고정된 게임이어서 AI의 반복 학습이 강력하다는 의견도 나왔다. 한 사용자는 새 카드가 정기적으로 추가되는 게임이라면 기존 훈련으로 익힌 판세가 달라져 인간에게 기회가 생길 수 있다고 봤다. 반론은 새 카드와 기존 카드의 상호작용을 살피는 일도 AI가 할 수 있으며, 복잡한 카드 게임의 큰 장벽은 원리보다 규칙 구현일 수 있다고 주장했다.
마지막으로 더 많은 정보가 감춰지는 스트라테고 변형 규칙을 시험해 보자는 제안이 있었다. 공격 때 방어하는 말의 계급을 밝히지 않는 ‘사일런트 디펜스’에서는 승부 뒤에도 추정해야 할 부분이 더 많이 남는다. 이 사용자는 불확실성을 다루는 능력이 이번 성과의 핵심인 만큼, 그런 규칙에서도 현재 AI가 얼마나 잘 두는지 궁금해했다.
핵심통찰
아타락소스가 바꾼 것은 스트라테고의 최고 기록만이 아니다. 알 수 없는 정보를 모두 계산하려 하지 않고, 상대 행동에서 그럴듯한 경우를 추린 뒤 수를 탐색하면 적은 연산 자원으로도 긴 승부를 풀어갈 수 있음을 보여줬다. 다만 고정된 규칙의 게임에서 얻은 성과가 현실의 협상이나 충돌에 그대로 이어지지는 않는다. 앞으로는 숨은 정보가 더 많은 변형 규칙과 변화하는 환경에서도 성능이 유지되는지, 그리고 AI가 강한 수를 고른 이유를 사람이 이해할 수 있게 설명하는지가 관건이다.
원본: With most information hidden, the game Stratego had stumped AI—until now
토론: Hacker News