AI游戏商店深度测评：MIT如何用人类游戏检验通用智能

这项由麻省理工学院、哈佛大学及剑桥大学等机构于2026年联合发表的研究（论文编号：arXiv:2602.17594v1）提出了一个核心评估框架：人类创造的游戏，是检验人工智能是否达到人类水平通用智能的终极试金石。

当前的人工智能在特定任务上表现卓越，但传统评估方法存在局限——它们如同只测试学生解数学题，却忽视了其在真实复杂场景中的综合应变能力。人类智能的核心在于快速学习、灵活适应与创造性解决问题。如何量化评估这种综合能力？研究团队给出的答案是：游戏。

游戏是人类为自身设计的认知训练场，是现实世界的规则化缩影。从围棋到电子游戏，每一项都在考验战略规划、空间推理、记忆与学习等核心认知能力。如果一个AI系统能像人类一样，快速掌握并精通各类游戏，那么它便极有可能具备了类人的通用智能。基于此，“AI游戏商店”这一评估平台被构建出来，其核心是利用大语言模型自动生成基于真实游戏的标准化测试环境，让人工智能与人类在同等条件下竞技并对比表现。

一、从人类游戏宇宙中寻找智能的真相

游戏行为深植于高智能生物的进化史中，它是一种高效的安全学习机制。对人类而言，游戏是现实能力的抽象训练：策略游戏锤炼长期规划，动作游戏提升反应与协调，解谜游戏强化逻辑，社交游戏则关乎意图理解。研究团队将人类能够设计、理解并享受的所有游戏集合定义为“人类游戏宇宙”。这个概念的精妙之处在于其开放性与边界——它包含现有及未来可能出现的所有游戏，但前提是这些游戏必须能被人类心智所理解与欣赏。

试想，若一个外星智慧体想验证自己是否真正理解了人类智能，最有效的方法便是看它能否掌握从井字棋到开放世界策略游戏的全部人类游戏谱系。这种基于游戏的评估，相比传统专注于单一能力的基准测试，具备天然优势：游戏要求多种认知维度的协同运作。以《愤怒的小鸟》为例，它同时需要物理推理、空间判断和行动规划。一个在此表现出色的AI，必然在多个认知层面达到了相当水准。

更重要的是，游戏评估具备文化相关性与生态效度。这些游戏并非实验室人为设计的抽象任务，而是人类自发选择参与的娱乐活动。一个AI若能理解并驾驭这些游戏，便证明其能够适应人类的思维与行为模式，这对构建真正实用的人工智能至关重要。

二、AI游戏商店：将理想变为现实的技术平台

理论上，让AI掌握“人类游戏宇宙”中的所有游戏是理想评估方式，但技术上存在巨大挑战：游戏数量庞大、平台各异、规则不一。研究团队通过一个四阶段自动化流程巧妙地解决了这一问题。

第一阶段是游戏筛选。团队从主流平台收集了7500个热门游戏信息，并利用大语言模型根据“易于学习”、“可实现性”、“评分明确”等标准进行过滤，如同为一场综合考试筛选最具代表性的试题。

第二阶段是游戏生成与优化。大语言模型根据描述生成网页版游戏，但初版往往存在缺陷。因此团队设计了一个人机协同的迭代优化流程：系统先自动修复技术问题，再由真人玩家试玩并提供反馈，经过4-5轮、每轮约2分钟的迭代，直至游戏达到兼具趣味性与挑战性的标准。

第三阶段是认知能力标注。每个游戏会依据一套七维评估体系（视觉处理、空间时间协调、记忆、规划、世界模型学习、物理推理、社会推理）进行0-5分的标注。这使得研究人员能精准诊断AI在特定认知能力上的短板。

第四阶段是模型评估。人类玩家与AI在相同条件下游戏，系统记录并对比表现。由于当前AI响应速度限制，评估采用“每秒暂停询问”的折中方式，以保障公平性。

整个流程的核心优势在于其可扩展性与效率。基础设施搭建完成后，平均仅需30分钟即可将一个游戏概念转化为可测试版本。此外，人类玩家可在现有游戏基础上创造变体，从而衍生出海量测试场景，有效防止AI通过对特定游戏过度训练而获得虚假高分。

三、当前AI的真实表现：令人意外的巨大差距

当七个最先进的大语言模型（包括GPT-5.2、Claude-Opus-4.5、Gemini-2.5-Pro等）与106名人类玩家在100个游戏上对决时，结果揭示了巨大鸿沟。

表现最佳的GPT-5.2模型，其平均得分仅为人类玩家中位数水平的8.5%。这意味着，在需要综合认知能力的游戏领域，最强AI的得分还不到人类平均水平的十分之一。更值得注意的是效率差距：人类玩家平均仅用2分钟就能在一个游戏上取得不错成绩，而AI完成相同任务所需时间是人类的15到20倍。

AI的表现呈现显著的双峰分布：在约三分之二的游戏中，AI能取得一些进展（达到人类水平的10%-30%）；而在剩余三分之一的游戏中，AI几乎完全失败（得分低于人类1%），这表明它们甚至未能理解游戏的基本规则或目标。

认知需求分析揭示了AI的三大核心弱点：记忆、规划和世界模型学习。许多游戏要求记住过往信息（如迷宫路径或已翻牌面），尽管AI具备“记事本”功能，但它们无法有效判断应记录何种信息或如何利用记录。在需要多步前瞻的规划任务（如推箱子）中，AI往往只能看到眼前一步，缺乏战略深度。而对于需要主动探索以发现隐藏规则的游戏，AI则表现出“好奇心”匮乏，不善于从试错中归纳规律。

关键发现是：游戏所需的认知能力越复杂、越多元，AI的表现下降就越剧烈。这明确显示，当前AI系统擅长处理单一任务，但在需要多种能力协同的复杂情境中，其局限性暴露无遗。

四、深度透视：AI认知能力的精细诊断

研究团队为每个游戏制作的“认知能力体检表”，实现了对AI缺陷的精准定位。

在相对基础的视觉处理能力上，AI表现尚可，但在复杂场景（如存在遮挡或混乱背景）中仍逊于人类。在空间时间协调方面，即便在回合制策略游戏中（排除了反应速度因素），AI的表现也未见显著改善，问题根源在于对空间关系与时间序列的理解不足。

记忆能力是AI最突出的短板。人类能自然地记住并调用游戏中的关键信息，而AI虽能存储信息，却无法有效判断信息的价值、进行组织与检索。规划能力的缺陷体现在AI缺乏有效的“心理模拟”能力，无法在头脑中构建并推演游戏世界的未来状态。

世界模型学习能力的不足最为根本。许多游戏规则需要玩家通过实验与观察来发现，而AI缺乏主动探索与假设验证的内在驱动，这正是科学思维与创新能力的核心。在物理推理方面，AI能处理简单模拟，但在涉及多物体复杂交互的游戏关卡中便力不从心。社会推理的测试虽有限，但即使在预测简单NPC行为的游戏中，AI也显示出对“他者心智”理解的匮乏。

最关键的结论是：随着游戏所需认知能力种类的增加，AI的表现呈指数级下降。这揭示了当前AI架构的根本限制——缺乏有效整合多种认知能力的内部机制。

五、游戏背后的科学洞察与未来展望

这项研究揭示了一个深刻矛盾：AI在诸多专业化任务上超越人类，却在人类儿童擅长的游戏中遭遇惨败。这暗示当前AI的成功很大程度上基于模式识别与统计关联，而游戏所要求的适应性学习、创造性问题解决与多目标实时决策，才更接近“真正的智能”。

研究团队为AI游戏商店规划了多个进化方向：增加游戏的多样性与复杂性，纳入需要长期规划与社交互动的类型；改进AI与游戏的交互方式，使其更接近人类的实时响应；引入多智能体游戏环境，以测试AI在合作与竞争中的社交智能。

此外，开发更精细的认知诊断工具、纳入更广泛的文化游戏类型（包括传统棋盘游戏与体育运动），以及建立区分能力与运气的统计方法，都是未来的重点。

从根本上说，AI游戏商店不仅是一个技术评估工具，更是一面反映AI真实发展阶段的镜子。它指出，通往通用人工智能的道路，需要我们重新思考智能的基础架构——从静态的数据处理模型，转向动态、灵活且具备内在适应性与探索欲的系统。

Q&A

Q1：AI游戏商店是什么？

A：AI游戏商店是由麻省理工学院等机构开发的人工智能评估平台。它通过大语言模型自动生成基于真实热门游戏的标准化测试，让AI与人类在同等条件下竞技，从而系统评估AI在视觉处理、记忆、规划等七个认知维度的综合能力。

Q2：目前最强的AI在游戏中表现如何？

A：表现远低于预期。顶尖模型GPT-5.2的平均得分仅为人类中位数水平的8.5%，且耗时是人类的15-20倍。AI在约三分之一的游戏中接近零分，主要弱点集中在记忆、规划及通过探索学习世界模型的能力上。

Q3：为什么用游戏来评估AI的通用智能？

A：游戏是人类智能的浓缩训练场，天然要求多种认知能力的协同运作。相比测试单一技能的基准，游戏提供了一个复杂、动态且目标导向的环境，能更全面地反映智能体在适应、学习与解决问题方面的综合水平。AI若能像人类一样精通各类游戏，则标志着其具备了类人的通用认知能力。