军棋（Stratego）长期被视为 AI 的盲区：棋盘上大部分棋子对双方都不可见，胜负取决于在信息缺失下持续做出判断。Ars Technica 报道，这一局面刚刚被打破，而关键并不在于更大的模型，而在于多训练了一个专门「猜子」的神经网络。
发生了什么
据 Ars Technica 报道，此前军棋一直让 AI 束手无策，核心原因是游戏中绝大部分信息是隐藏的——你只能看到对手棋子的位置，却不知道它究竟是炸弹、元帅还是普通士兵。研究者采用的做法是：在原有决策网络之外，额外引入第二个神经网络，专门负责推测隐藏棋子的身份。这一「猜子」网络把不确定性显式地建模出来，再交给决策部分使用，从而让 AI 在信息不完整的情况下也能形成有效策略。报道将这一双网络结构描述为破解军棋的关键。
为什么重要
军棋的难点从来不是算力，而是信息结构。围棋、国际象棋属于「完全信息博弈」，双方看到同一张棋盘，AI 只需要搜索与评估；而军棋、扑克、麻将属于「不完全信息博弈」，决策者必须同时处理两件事：我该怎么走，以及对手的哪些牌是我不知道的。这正是现实世界的常态——谈判、竞价、军事对抗、甚至日常沟通，都发生在信息不完整的前提下。
因此，军棋的突破不只是多赢了一个棋类游戏。它验证了一条思路：与其让单一模型在模糊状态下硬扛，不如把「推断未知」拆成独立模块，让模型先建立对隐藏状态的信念，再基于信念行动。这与博弈论中「信念更新」的经典框架相呼应，也让人联想到扑克 AI 领域的类似路线。
影响与看点
对研究者而言，这一结果提示：不完全信息环境下的性能瓶颈，可能更多来自表征方式而非模型规模。把「世界模型」或「对手建模」显式分离出来，或许比继续堆参数更有效。
对开发者而言，这套思路有直接的迁移价值。任何需要处理缺失数据、部分可观测状态的产品——风控、推荐、供应链预测、对话系统——都面临类似的「猜子」问题：输入不完整，但必须给出决策。把推断与决策解耦，可能是比端到端更稳健的工程选择。
值得关注的点在于：这种双网络结构能否扩展到更复杂的隐藏信息场景，以及它是否会被后续工作统一进单一模型。一个克制的判断是——军棋被攻克，标志着 AI 在不完全信息博弈上又前进了一步，但距离真正处理开放世界的模糊性，仍有相当距离。
