订阅《科学大众》(Popular Science)每日通讯，每周六天为您带来科技突破、发现和DIY技巧。 人工智能（AI）模型的进步，常通过它们在游戏中的表现来展现。IBM的“深蓝”在1997年击败国际象棋大师加里·卡斯帕罗夫，震惊了世界；近二十年后，谷歌的“AlphaGo”战胜了人类冠军——这曾被认为是不可能的。从那时起，AI已从棋盘游戏扩展到视频游戏，采用强化学习技术，这也是训练聊天机器人如ChatGPT的关键技术之一，使机器能够掌握“吃角子老虎机”游戏以及复杂的策略游戏如Dota 2和星际争霸II。 然而，AI仍然在快速学习更多开放式游戏方面面临困难——这是人类擅长的领域。当面对陌生游戏时，人类玩家能迅速掌握基本玩法，而AI模型常常失败，正如纽约大学计算机科学教授朱利安·托格利乌斯(Julian Togelius)及其同事最新发表的论文中所指出的。这一差距凸显了人类智能与当前AI能力之间的根本差异，也表明AI在达到甚至超越真正的人类水平智能之前，仍有很长的路要走。 多年来，游戏一直是测试AI的理想场所，原因在于其规则可预测、目标明确、机制清晰，非常适合强化学习：模型通过反复在模拟中玩游戏，借助试错不断提升能力。这一方法促成了DeepMind在2015年在“吃角子老虎机”游戏中的精通，也影响了今天基于海量互联网数据训练的大型语言模型。然而，这些模型仅在具有明确限制的特定任务中表现出色，游戏设计的细微变化就可能影响AI的表现。虽然AI可能在某个特定游戏中达到超越人类的技能，但在即兴发挥方面却仍然困难重重。 随着现代游戏变得越来越开放和抽象，这一限制尤为明显。比如，相比国际象棋，更像是“荒野大镖客”(Red Dead Redemption)这样拥有复杂目标、角色需要做出具有道德冲突选择的开放世界游戏，难度更大。人类凭直觉理解这些细微差别，而机器则无法如此。即使在“我的世界”(Minecraft)这类简单的沙盒游戏中，AI也可能能完成跳跃等基本动作，却无法理解其背后的具体意义。 作者强调，精心设计的游戏能紧密契合人类的直觉、常识和生活经验——这些经验是人类经过多年的现实世界互动积累而成。例如，婴儿在大约18到24个月左右，通过经验学会识别物体，而机器则需要更多指导才能做到类似的学习。 这种经验优势使得人类能够更快地掌握新游戏。研究表明，基于好奇心的强化学习AI可能需要大约四百万次按键操作——大约37小时的连续操作——才能完成一款游戏，而普通人类玩家通常在不到10小时内就能掌握新机制。 不过，AI在普通游戏玩法方面正不断进步。2023年，谷歌深 mind推出了SIMA 2模型，这是一种结合了现有AI与其“Gemini”大型语言模型推理能力的技术，能更好理解和交互3D游戏——即使这些游戏不是专门为其训练的。但托格利乌斯和他的同事警告称，AI在达到人类适应能力的水平之前，仍有很长的路要走。 他们提出一项基准测试，设想AI能在未经过任何训练的情况下，直接在Steam或iOS应用商店里的前100款游戏中取胜——并且所花时间与人类玩家大致相当。这一目标目前仍是巨大的挑战，现有的AI方法既未接近解决，也没有认真尝试。 要实现如此全面的泛化能力，AI必须展现出真正的创造力、前瞻性规划和抽象思维——这些是人类智能所独有的品质。最终，AI达到“人类水平智能”的真正考验，不在于能否制作假脸或写一些浅显的小说，而在于它是否能以接近人类的学习速度和理解能力，掌握各种不同类型的游戏。