MIT突破：AI游戲商店實現人工智能通用能力全面評測

這項由麻省理工學院聯合哈佛大學、劍橋大學等多所頂尖學府共同完成的研究發表于2026年，論文編號為arXiv:2602.17594v1。該研究團隊首次提出了一個革命性的觀點：要真正評估人工智能是否達到人類水平的通用智能，最好的方法就是讓AI去玩人類創造的各種游戲。

人工智能發展到今天，已經在許多單一任務上表現卓越，比如下棋、翻譯或者回答問題。但問題在于，現有的AI評估方式就像只考察學生會不會做數學題，卻不知道他能否應對真實生活中的復雜挑戰。真正的人類智能是什么樣的呢？我們能夠快速學習新事物，在復雜環境中靈活應變，面對從未見過的問題時也能找到解決方案。這種能力如何評估？

研究團隊想到了一個絕妙的答案：游戲。人類創造的游戲本質上就是現實世界的縮影和訓練場。從古老的圍棋到現代的電子游戲，每一個游戲都在考驗著人類的某些核心能力：戰略規劃、空間推理、記憶力、學習能力、社交技巧等等。如果一個AI系統能夠像人類一樣快速學會并玩好各種人類游戲，那它很可能已經具備了類人的通用智能。

基于這個洞察，研究團隊開發了"AI游戲商店"——一個全新的人工智能評估平臺。這個平臺的核心理念是利用大語言模型自動生成基于真實人類游戲的標準化測試環境，然后讓AI和人類在相同條件下進行游戲，比較他們的表現。

一、從人類游戲宇宙中尋找智能的真相

人類為什么要玩游戲？這個看似簡單的問題背后隱藏著關于智能本質的深刻真相。從生物學角度來看，玩耍行為并不僅僅屬于人類。從海豚到烏鴉，從猴子到大象，幾乎所有高智能動物都會玩耍?？茖W研究表明，玩耍實際上是大自然進化出的一種學習機制——通過在安全的虛擬環境中模擬各種情況，動物能夠磨練自己的認知能力和生存技能。

對人類而言，游戲的意義更為深遠。每一個游戲都是現實世界某個方面的抽象化和濃縮版。策略游戲鍛煉我們的長期規劃能力，動作游戲提升我們的反應速度和空間協調能力，解謎游戲訓練我們的邏輯推理，社交游戲則考驗我們理解他人意圖的能力。可以說，游戲是人類為自己創造的認知能力訓練營。

研究團隊將人類能夠創造和享受的所有游戲定義為"人類游戲宇宙"。這個概念的精妙之處在于，它既包含了已經存在的游戲，也涵蓋了人類未來可能創造的所有游戲。這個宇宙是無限且開放的，但同時又有明確的邊界——只有人類能夠設計出來并且其他人類能夠理解和享受的游戲才屬于這個宇宙。

想象一下這樣的場景：如果有一個外星智慧生命體想要評估自己是否真正理解了人類智能，最好的方法就是看它能否學會人類的各種游戲。從簡單的井字棋到復雜的策略游戲，從需要精確操作的動作游戲到考驗創造力的開放世界游戲，每一類游戲都在測試智能體的不同能力。如果這個外星生命體能夠在所有這些游戲中都達到人類的平均水平，我們就有理由相信它確實掌握了類人的通用智能。

研究團隊認為，這種基于游戲的評估方式比傳統方法有著無可比擬的優勢。傳統的AI基準測試往往只關注單一能力，比如語言理解或數學計算。但游戲天然地要求多種能力的綜合運用。以《憤怒的小鳥》為例，玩這個游戲需要物理推理能力（理解彈道和碰撞），空間認知能力（判斷角度和距離），以及規劃能力（選擇最優的攻擊順序）。一個在這個游戲中表現出色的AI系統，必然在多個認知維度上都達到了相當的水平。

更重要的是，游戲評估具有文化相關性和生態有效性。這些游戲不是研究人員在實驗室里人工設計的抽象任務，而是真實的人類在日常生活中選擇玩的活動。如果一個AI系統能夠理解和掌握這些游戲，它就證明了自己能夠理解和適應人類的思維方式和行為模式，這對于構建真正有用的人工智能系統至關重要。

二、AI游戲商店：將理想變為現實的技術平臺

理論上，要評估AI是否達到人類水平的通用智能，最理想的方法是讓它學會人類游戲宇宙中的所有游戲。但在實踐中，這面臨著巨大的技術挑戰。全世界有數百萬個不同的游戲，它們運行在不同的平臺上，使用不同的控制方式，遵循不同的規則。要為每個游戲都單獨開發AI接口，幾乎是不可能完成的任務。

研究團隊巧妙地解決了這個問題。他們開發的AI游戲商店采用了一個四階段的自動化流程，就像一個高效的游戲制造工廠。

第一個階段是游戲篩選和過濾。研究團隊首先從蘋果應用商店和Steam等主流游戲平臺收集了7500個熱門游戲的信息。接著，他們讓大語言模型對每個游戲進行評分，篩選標準包括游戲是否能在幾分鐘內學會、是否能用網頁技術實現、是否有明確的評分標準等。這個過程就像是為即將到來的考試挑選最具代表性的題目。

第二個階段是游戲生成和優化。通過詳細的游戲描述，大語言模型能夠生成一個功能完整的網頁版游戲。但機器生成的游戲往往存在各種問題——可能太簡單、太困難，或者有技術漏洞。因此，研究團隊設計了一個人機結合的優化流程。首先，系統會自動測試生成的游戲，發現并修復明顯的技術問題。然后，真人玩家會試玩這個游戲，給出改進建議，系統再根據這些反饋進一步完善游戲。這個過程通常需要4到5輪迭代，每輪約2分鐘，直到游戲達到既有趣又具有挑戰性的標準。

第三個階段是認知能力標注。為了理解每個游戲考驗的是哪些認知能力，研究團隊開發了一套包含七個維度的評估體系：視覺處理、空間時間協調、記憶、規劃、世界模型學習、物理推理和社會推理。每個游戲都會在這七個維度上獲得0到5的評分，0表示不需要該能力，5表示需要極高水平的該能力。這樣的標注讓研究人員能夠精確診斷AI系統在哪些認知能力上存在不足。

第四個階段是模型評估。在這個階段，人類玩家和AI模型在相同的條件下玩游戲，系統記錄他們的表現并進行對比分析。由于目前的AI模型響應速度較慢，研究團隊設計了一個特殊的游戲界面：游戲每秒會暫停一次，詢問AI下一秒要執行什么操作，然后繼續運行。雖然這不是最理想的測試方式，但在技術條件允許的范圍內，這已經是相當公平的比較了。

整個流程的精妙之處在于它的可擴展性。一旦基礎設施搭建完成，生成和測試新游戲變得非常高效。研究團隊平均只需30分鐘就能完成一個新游戲從概念到可測試版本的全過程。更重要的是，人類玩家還可以在現有游戲基礎上創造變體版本，這意味著從少數幾個游戲概念就能衍生出大量測試場景，有效避免了AI系統通過過度訓練特定游戲而獲得虛假高分的問題。

通過這種方式，AI游戲商店成功地將"人類游戲宇宙"這個抽象概念轉化為了具體可操作的測試平臺。它不僅解決了技術實現的難題，還保持了原始概念的核心價值——通過人類真正喜歡的游戲來評估AI的通用智能水平。

三、當前AI的真實表現：令人意外的巨大差距

當研究團隊讓七個最先進的大語言模型——包括GPT-5.2、Claude-Opus-4.5、Gemini-2.5-Pro等業界頂尖模型——與106名普通人類玩家在100個游戲上一決高下時，結果令人震驚。

最優秀的AI模型GPT-5.2的平均得分僅為人類中位數的8.5%。這意味著什么？如果我們把人類玩家的平均表現定為100分，那么目前最強的AI只能得到不到9分。這個差距之大，超出了大多數人的預期。要知道，這些AI模型在其他許多任務上已經達到甚至超越了人類水平，比如語言理解、數學計算、代碼編寫等。但在游戲這個看似"簡單"的領域，它們卻表現得如此不堪。

更令人印象深刻的是時間效率的對比。人類玩家在每個游戲上只花費2分鐘，就能達到相當不錯的成績。而AI模型為了做出每一個決策，平均需要思考幾分鐘時間，完成同樣的游戲任務需要15到20倍的時間。這就好比一個學生做數學題，人類學生可能幾分鐘就能解出答案，而AI卻需要花費幾個小時，最終得分還遠低于人類。

深入分析這些數據，研究團隊發現了一個有趣的現象：AI模型的表現呈現明顯的雙峰分布。大約三分之二的游戲中，AI能夠取得一些進展，雖然通常只能達到人類表現的10%到30%，但至少證明它們理解了游戲的基本玩法。然而，在剩下三分之一的游戲中，AI幾乎完全失敗，得分不到人類平均水平的1%，這表明它們甚至沒有理解游戲的基本規則或目標。

什么樣的游戲讓AI感到困難？通過分析游戲的認知能力需求，研究團隊找到了答案。AI最大的弱點集中在三個關鍵領域：記憶、規劃和世界模型學習。

記憶能力的缺陷表現得尤為明顯。許多游戲需要玩家記住之前看到的信息，比如在迷宮游戲中記住已經探索過的區域，或者在卡牌游戲中記住已經翻開的牌面。盡管AI有一個"記事本"功能可以記錄重要信息，但它們似乎不知道該記錄什么，或者如何有效利用這些記錄。這就像一個健忘癥患者試圖玩記憶游戲，即使有紙筆幫助，也很難取得好成績。

規劃能力的不足同樣嚴重。許多游戲需要玩家思考幾步之后的情況，比如在推箱子游戲中，你需要預見到當前的移動會對后續步驟產生什么影響。AI模型往往只能看到眼前一步，缺乏長期戰略思維。它們就像只會走一步棋的新手棋手，面對需要深度規劃的情況時束手無策。

世界模型學習的困難可能是最根本的問題。許多游戲并不會直接告訴你所有規則，而是需要你通過嘗試來發現游戲的運行機制。比如，你需要通過實驗來發現某個按鈕會產生什么效果，或者某種道具有什么用途。AI模型在這方面表現得像是缺乏好奇心的學習者，它們不會主動探索和試驗，也不善于從失敗中總結規律。

更有趣的是，研究團隊發現游戲的認知復雜度與AI表現之間存在強烈的負相關關系。那些只需要一種認知能力的簡單游戲，AI還能勉強應付。但隨著游戲需要的認知能力種類增加，AI的表現急劇下降。這說明當前的AI系統雖然在單一任務上可能表現不錯，但在需要多種能力協調配合的復雜任務中，它們的不足就暴露無遺。

這些發現具有深遠的意義。它們提醒我們，盡管AI在某些專業化任務上已經超越人類，但在需要類人通用智能的綜合性任務中，我們仍然有很長的路要走。這也解釋了為什么AI在現實世界的應用中仍然經常出現意想不到的失敗——現實世界正是一個需要多種認知能力無縫配合的復雜環境。

四、深度透視：AI認知能力的精細診斷

研究團隊創造性地將每個游戲在七個認知維度上進行了詳細標注，這就像為每個游戲制作了一張"認知能力體檢表"。通過這種方式，他們不僅能夠看到AI在哪些游戲上表現不佳，更重要的是能夠精確診斷出AI在哪些基礎認知能力上存在缺陷。

視覺處理能力是最基礎的認知技能，涉及識別、匹配和分類視覺對象的能力。在這個維度上，AI的表現相對較好，這并不意外，因為計算機視覺技術已經相當成熟。但即便如此，當游戲場景變得復雜，存在遮擋或需要在混亂背景中找到特定物體時，AI的表現仍然明顯低于人類。

空間時間協調能力考驗的是精確定時和空間導航的能力，比如在《憤怒的小鳥》中需要精確控制發射角度和力度。有趣的是，研究團隊特別測試了那些不需要快速反應的游戲（比如回合制策略游戲），發現AI的表現并沒有顯著改善。這說明問題不在于AI的"反應速度"，而在于它們對空間關系和時間序列的理解能力。

記憶能力的缺陷最為突出。人類具有強大的工作記憶和情境記憶，能夠在游戲過程中自然地記住重要信息并在需要時調用。AI雖然有技術上的"記憶存儲"功能，但它們不知道什么信息值得記住，也不善于組織和檢索這些信息。這就像一個擁有完美錄音設備的人，卻不知道該錄什么，也不知道如何從錄音中找到需要的信息。

規劃能力要求玩家能夠模擬未來的游戲狀態，評估不同行動的長期后果。在《水排序》這樣的邏輯謎題中，你需要計算出一系列倒水操作的最優序列。AI在這類任務中的失敗表明，它們缺乏有效的"心理模擬"能力，無法在頭腦中構建和運行游戲世界的模型。

世界模型學習可能是最能體現通用智能的能力。在許多游戲中，規則并不是明確給出的，而需要玩家通過實驗和觀察來發現。比如在《Baba Is You》這樣的游戲中，玩家需要發現移動文字方塊會如何改變游戲規則。AI在這方面的困難反映了它們缺乏主動探索和假設驗證的能力，這正是科學發現和創新思維的核心。

物理推理涉及對重力、軌跡、碰撞等物理現象的理解。雖然AI在簡單的物理模擬任務中表現尚可，但在需要復雜物理交互的游戲中，比如涉及多個物體相互作用的《憤怒的小鳥》復雜關卡，它們的表現明顯不如人類。

社會推理是最高層次的認知能力，涉及理解其他智能體的意圖、信念和情感。由于研究中的大多數游戲都是單人游戲，這個維度的測試相對有限。但即使在簡單的需要預測NPC行為的游戲中，AI也經常表現出對"他人心理"理解的不足。

最重要的發現是，隨著游戲需要的認知能力種類增加，AI的表現呈指數級下降。那些只需要一種核心能力的游戲，AI還能達到人類表現的30%到40%。但需要三種或更多認知能力協同工作的游戲，AI的表現往往不到人類水平的10%。這個現象揭示了當前AI架構的一個根本限制：它們缺乏有效整合多種認知能力的機制。

這種詳細的認知診斷具有重要的指導意義。它不僅告訴我們AI在哪里不足，更重要的是指明了改進的方向。要構建真正的通用人工智能，我們需要重點攻克記憶整合、長期規劃和主動學習這些核心能力，并且需要找到讓多種認知能力有效協同工作的架構設計。

五、游戲背后的科學洞察與未來展望

通過這項研究，我們看到了一個令人深思的對比：AI在許多專業化任務上已經超越人類，卻在人類兒童都能輕松掌握的游戲中敗得一塌糊涂。這個現象背后隱藏著關于智能本質的深刻啟示。

當前AI系統的成功很大程度上建立在模式識別和統計關聯的基礎上。它們能夠在海量數據中找到復雜的規律，并基于這些規律做出預測或生成內容。但游戲需要的是完全不同類型的智能——適應性學習、創造性問題解決、多目標優化和實時決策。這些能力更接近我們所理解的"真正的智能"。

游戲之所以成為智能的試金石，是因為它們具有幾個獨特的特征。首先，游戲是動態的，狀態不斷變化，需要持續的適應和學習。其次，游戲是交互的，你的每個行動都會影響后續的選擇空間。最后，游戲是目標導向的，但通往目標的路徑往往不是唯一的，需要創造性和靈活性。

研究團隊計劃將AI游戲商店發展成一個持續進化的評估平臺。他們設想了幾個重要的擴展方向。首先是增加游戲的多樣性和復雜性，特別是那些需要長期規劃和復雜社交互動的游戲。目前的100個游戲大多是可以在幾分鐘內學會的休閑游戲，未來需要包含更多需要小時甚至天數才能掌握的復雜游戲。

其次是改進AI與游戲的交互方式。當前的系統由于技術限制，AI只能通過每秒做出幾個離散選擇來玩游戲，這遠遠不如人類的實時交互能力。未來的系統應該能夠支持更自然、更流暢的交互模式，讓AI能夠像人類一樣實時響應游戲狀態的變化。

更有野心的是引入多智能體游戲環境。真正的通用智能不僅要能夠解決單人問題，還要能夠在復雜的社交環境中與其他智能體合作或競爭。通過讓多個AI在同一個游戲中互動，或者讓AI與人類玩家實時對戰，我們能夠測試AI的社交智能和適應能力。

研究團隊還計劃開發更精細的認知診斷工具。當前的七維度評估體系只是一個開始，未來可能需要更細化的認知分類，以便更準確地定位AI系統的具體優勢和劣勢。這種精確診斷不僅有助于改進AI系統，也能為認知科學和心理學研究提供新的工具。

從更宏觀的角度來看，這項研究提出了一個重要問題：我們應該如何定義和衡量人工智能的進步？傳統的基準測試往往關注單一維度的性能提升，但真正的智能是多維度能力的有機整合。游戲評估提供了一個更holistic的視角，讓我們能夠觀察AI系統在面對復雜、動態、多目標任務時的綜合表現。

這種評估方式也具有重要的社會意義。如果我們的目標是創造能夠真正幫助人類、與人類和諧共處的AI系統，那么這些系統就必須能夠理解和適應人類的思維方式。游戲恰恰是人類思維方式的直接體現，一個能夠理解人類游戲的AI，更有可能理解人類的需求、價值觀和行為模式。

當然，這項研究也有其局限性。當前的游戲主要來自西方的數字游戲平臺，可能無法完全代表全球范圍內的人類游戲文化。未來的研究需要包含更多樣化的文化背景和游戲類型，包括傳統的棋盤游戲、體感游戲、甚至現實世界的體育運動。

另一個挑戰是如何處理游戲中的隨機性和不確定性。許多游戲包含運氣成分，這使得單次游戲的結果并不能完全反映玩家的能力。研究團隊需要開發更精確的統計方法，來區分真正的智能表現和隨機波動。

說到底，AI游戲商店不僅僅是一個技術評估平臺，它更像是一面鏡子，讓我們看清當前AI技術的真實水平，也看清了通向真正通用人工智能的路徑。這項研究告訴我們，創造真正的通用AI不僅僅是技術問題，更是對智能本質的深度理解問題。

游戲教會了我們，真正的智能不是簡單的模式識別或數據處理，而是在復雜、動態、不確定的環境中持續學習、適應和創新的能力。這種能力的獲得，可能需要我們重新思考AI系統的基礎架構，從當前的靜態模型轉向更動態、更靈活、更具適應性的智能系統。

Q&A

Q1：AI游戲商店是什么？

A：AI游戲商店是麻省理工學院等機構開發的人工智能評估平臺，通過讓AI和人類玩相同的游戲來測試AI的通用智能水平。該平臺使用大語言模型自動從熱門游戲中生成標準化測試版本，包含了100個不同類型的游戲，覆蓋視覺處理、記憶、規劃等七個認知維度。

Q2：目前最強的AI在游戲中表現如何？

A：表現令人意外地差。最強的GPT-5.2模型平均只能達到人類表現的8.5%，而且需要15-20倍的時間才能完成同樣的任務。AI在大約三分之一的游戲中幾乎完全失敗，主要困難集中在需要記憶、規劃和世界模型學習的游戲上。

Q3：為什么用游戲來評估AI的通用智能？

A：因為人類創造的游戲是現實世界的抽象和縮影，每個游戲都在考驗特定的認知能力組合。游戲需要多種智能能力協同工作，比單一任務測試更能反映真正的通用智能水平。如果AI能夠像人類一樣快速學會并玩好各種游戲，就證明它具備了類人的綜合認知能力。