全球頂尖大模型，通關不了《寶可夢》：這些遊戲都是AI的噩夢

儘管全球頂尖AI模型能在醫學考試、程式碼編寫等專業領域表現出色，卻在《寶可夢》這類兒童遊戲中屢屢受挫，暴露了其在長期推理、記憶和規劃方面的核心短板。本文源自 騰訊科技公眾號，作者為郭靜曉。 （前情提要：我用 AI 玩戰爭遊戲：GPT o3 是心機大魔王、DeepSeek 戰爭狂人、Claude 則像個傻白甜） （背景補充：Google「Gemini 2.0」來了！推出三種AI代理：複雜任務、遊戲、程式設計）   世界頂尖的AI模型可以通過醫學執照考試，可以編寫複雜程式碼，甚至能在數學競賽中擊敗人類專家，但是卻在一款兒童遊戲《寶可夢》中屢屢受挫。 這場引人矚目的嘗試始於2025年2月，當時Anthropic的一名研究人員推出了「Claude玩《寶可夢紅》」的Twitch直播，以此配合Claude Sonnet 3.7的發布。 2000名觀眾湧入直播間。在公共聊天區，觀眾們為Claude出謀劃策、加油打氣，使這場直播逐漸演變為一場圍繞AI能力展開的公開觀察。 Sonet3.7只能說是「會玩」《寶可夢》了，但「會玩」不等於「能贏」。它會在關鍵節點卡住數十小時，還會做出連兒童玩家都不會犯的低級錯誤。 這不是Claude第一次嘗試。 早期版本的表現更加災難：有的在地圖中毫無目標地遊蕩，有的陷入無限迴圈，更多的甚至無法走出新手村。 即便是能力顯著提升的Claude Opus 4.5，仍會出現令人費解的失誤。有一次，它在「道館外」繞圈整整四天，卻始終未能進入，原因僅僅是沒意識到需要砍倒擋在路口的一棵樹。 一款兒童遊戲，為何成了AI的滑鐵盧？ 因為《寶可夢》要求的，恰恰是當今AI最缺乏的能力：在沒有明確指令的開放世界中持續推理、記憶數小時前的決策、理解隱含的因果關係、在數百個可能的行動中做出長期規劃。 這些事情對8歲孩子來說輕而易舉的事，對標榜「超越人類」的AI模型卻是不可逾越的鴻溝。 工具集差距決定成敗？ 相比之下，谷歌的Gemini 2.5 Pro在2025年5月成功通關了一款難度相當的《寶可夢》遊戲。谷歌執行長桑達爾·皮查伊（Sundar Pichai）甚至在公開場合半開玩笑地表示，公司在打造「人工寶可夢智慧」方面邁出了一步。 然而，這一結果並不能簡單歸因於Gemini模型本身更「聰明」。 關鍵差異在於模型所使用的工具集。負責營運Gemini《寶可夢》直播的獨立開發者喬爾·張（Joel Zhang）將工具集比喻為一套「鋼鐵人裝甲」：AI並非赤手空拳進入遊戲，而是被置於一個可調用多種外部能力的系統中。 Gemini的工具集提供了更多支援，例如將遊戲畫面轉寫為文字，從而彌補模型在視覺理解上的弱點，並提供客製化的解謎與路徑規劃工具。相比之下，Claude所使用的工具集更為簡約，它的嘗試也更直接地反映出模型自身在感知、推理與執行上的真實能力。 在日常任務中，這類差異並不明顯。 當使用者向聊天機器人提出需聯網查詢的請求時，模型同樣會自動調用搜尋工具。但在《寶可夢》這類長期任務中，工具集的差異被放大至足以決定成敗的程度。 回合制暴露AI的「長期記憶」短板 由於《寶可夢》採用嚴格的回合制且無需即時反應，它成為了測試 AI 的絕佳「練兵場」。AI 在每一步操作中，只需結合當前畫面、目標提示與可選操作進行推理，即可輸出「按A鍵」這類明確的指令。 這似乎正是大語言模型最擅長的互動形式。 癥結恰恰在於時間維度的「斷層」。儘管 Claude Opus 4.5 已累計運行超 500 小時、執行約 17 萬步，但受限於每一步操作後的重新初始化，模型只能在極窄的上下文視窗中尋找線索。這種機制讓它更像是一個靠便利貼維持認知的失憶者，在碎片化的資訊中循環往復，始終無法像真正的人類玩家那樣，實現從量變到質變的經驗跨越。 在國際象棋和圍棋等領域，AI系統早已超越人類，但這些系統是為特定任務高度客製化的。相比之下，Gemini、Claude和GPT作為通用模型，在考試、程式設計競賽中頻頻擊敗人類，卻在一款兒童向遊戲中屢屢受挫。 這種反差本身便極具啟示性。 在喬爾·張看來，AI面臨的核心挑戰在於無法在長時間跨度內持續執行單一明確目標。「如果你希望智慧體完成真正的工作，它不能忘記五分鐘前自己做了什麼」他指出。 而這種能力，正是實現認知勞動自動化不可或缺的前提。 獨立研究者彼得·惠登（Peter Whidden）給出了更直觀的描述。他曾開源一個基於傳統AI的《寶可夢》演算法。「AI對《寶可夢》幾乎無所不知」他表示，「它在海量人類資料上訓練，清楚知道正確答案。但一到執行階段，就顯得笨拙不堪。」 遊戲中，這種「知道卻做不到」的斷層被不斷放大：模型可能知道需尋找某道具，卻無法在二維地圖中穩定定位；知道應與NPC對話，卻在像素級移動中反覆失敗。 能力演進背後：未跨越的「本能」鴻溝 儘管如此，AI的進步仍清晰可見。Claude Opus 4.5在自我記錄和視覺理解上明顯優於前代，得以在遊戲中推進更遠。Gemini 3 Pro在通關《寶可夢藍》後，又完成了難度更高的《寶可夢水晶》，且全程未輸一場戰鬥。這是Gemini 2.5 Pro從未實現的。 與此同時，Anthropic推出的Claude Code工具集允許模型編寫並運行自有程式碼，已被用於《乘客大亨》等復古遊戲，據稱能成功管理虛擬主題公園。 這些案例揭示了一個不直觀的現實：配備合適工具集的AI，可能在軟體開發、會計、法律分析等知識工作中展現極高效率，即便它們仍難以應對需要即時反應的任務。 《寶可夢》實驗還揭示另一耐人尋味的現象：在人類資料上訓練的模型，會表現出近似人類的行為特徵。 在Gemini 2.5 Pro的技術報告中，谷歌指出，當系統模擬「恐慌狀態」，如寶可夢即將昏厥時，模型的推理品質會顯著下降。 而當Gemini 3 Pro最終通關《寶可夢藍》時，它為自己留下了一段非任務必需的備註：「為了詩意地結束，我要回到最初的家，與母親進行最後一次對話，讓角色退休。」 在喬爾·張看來，這一行為出乎意料，還帶有某種...