作者： 郭晓静，腾讯科技
编辑｜徐青阳
世界顶尖的AI模型可以通过医学执照考试，可以编写复杂代码，甚至能在数学竞赛中击败人类专家，但是却在一款儿童游戏中《宝可梦》屡屡受挫。
这场引人瞩目的尝试始于2025年2月，当时Anthropic的一名研究人员推出了“Claude玩《宝可梦红》”的Twitch直播，以此配合Claude Sonnet 3.7的发布。
2000名观众涌入直播间。在公共聊天区，观众们为Claude出谋划策、加油打气，使这场直播逐渐演变为一场围绕AI能力展开的公开观察。
Sonet3.7只能说是“会玩”《宝可梦》了，但“会玩”不等于“能赢”。它会在关键节点卡住数十小时，还会做出连儿童玩家都不会犯的低级错误。
这不是Claude第一次尝试。
早期版本的表现更加灾难：有的在地图中毫无目标地游荡，有的陷入无限循环，更多的甚至无法走出新手村。
即便是能力显著提升的Claude Opus 4.5，仍会出现令人费解的失误。有一次，它在“道馆外“绕圈整整四天，却始终未能进入，原因仅仅是没意识到需要砍倒挡在路口的一棵树。
一款儿童游戏，为何成了AI的滑铁卢?
因为《宝可梦》要求的，恰恰是当今AI最缺乏的能力：在没有明确指令的开放世界中持续推理、记忆数小时前的决策、理解隐含的因果关系、在数百个可能的行动中做出长期规划。
这些事情对8岁孩子来说轻而易举的事，对标榜"超越人类"的AI模型却是不可逾越的鸿沟。
01工具集差距决定成败？
相比之下，谷歌的Gemini 2.5 Pro在2025年5月成功通关了一款难度相当的《宝可梦》游戏。谷歌首席执行官桑达尔·皮查伊（Sundar Pichai）甚至在公开场合半开玩笑地表示，公司在打造“人工宝可梦智能”方面迈出了一步。
然而，这一结果并不能简单归因于Gemini模型本身更“聪明”。
关键差异在于模型所使用的工具集。负责运营Gemini《宝可梦》直播的独立开发者乔尔·张（Joel Zhang）将工具集比喻为一套“钢铁侠装甲”：AI并非赤手空拳进入游戏，而是被置于一个可调用多种外部能力的系统中。
Gemini的工具集提供了更多支持，例如将游戏画面转写为文本，从而弥补模型在视觉理解上的弱点，并提供定制化的解谜与路径规划工具。相比之下，Claude所使用的工具集更为简约，它的尝试也更直接地反映出模型自身在感知、推理与执行上的真实能力。
在日常任务中，这类差异并不明显。
当用户向聊天机器人提出需联网查询的请求时，模型同样会自动调用搜索工具。但在《宝可梦》这类长期任务中，工具集的差异被放大至足以决定成败的程度。
02回合制暴露AI的“长期记忆”短板
由于《宝可梦》采用严格的回合制且无需即时反应，它成为了测试 AI 的绝佳“练兵场“。AI 在每一步操作中，只需结合当前画面、目标提示与可选操作进行推理，即可输出‘按A键’这类明确的指令。
这似乎正是大语言模型最擅长的交互形式。
症结恰恰在于时间维度的“断层”。尽管 Claude Opus 4.5 已累计运行超 500 小时、执行约 17 万步，但受限于每一步操作后的重新初始化，模型只能在极窄的上下文窗口中寻找线索。这种机制让它更像是一个靠便利贴维持认知的失忆者，在碎片化的信息中循环往复，始终无法像真正的人类玩家那样，实现从量变到质变的经验跨越。
在国际象棋和围棋等领域，AI系统早已超越人类，但这些系统是为特定任务高度定制的。相比之下，Gemini、Claude和GPT作为通用模型，在考试、编程竞赛中频频击败人类，却在一款儿童向游戏中屡屡受挫。
这种反差本身便极具启示性。
在乔尔·张看来，AI面临的核心挑战在于无法在长时间跨度内持续执行单一明确目标。“如果你希望智能体完成真正的工作，它不能忘记五分钟前自己做了什么，”他指出。
而这种能力，正是实现认知劳动自动化不可或缺的前提。
独立研究者彼得·惠登（Peter Whidden）给出了更直观的描述。他曾开源一个基于传统AI的《宝可梦》算法。“AI对《宝可梦》几乎无所不知，”他表示，“它在海量人类数据上训练，清楚知道正确答案。但一到执行阶段，就显得笨拙不堪。”
游戏中，这种“知道却做不到”的断层被不断放大：模型可能知道需寻找某道具，却无法在二维地图中稳定定位；知道应与NPC对话，却在像素级移动中反复失败。
03能力演进背后：未跨越的“本能”鸿沟
尽管如此，AI的进步仍清晰可见。Claude Opus 4.5在自我记录和视觉理解上明显优于前代，得以在游戏中推进更远。Gemini 3 Pro在通关《宝可梦蓝》后，又完成了难度更高的《宝可梦水晶》，且全程未输一场战斗。这是Gemini 2.5 Pro从未实现的。
与此同时，Anthropic推出的Claude Code工具集允许模型编写并运行自有代码，已被用于《过山车大亨》等复古游戏，据称能成功管理虚拟主题公园。
这些案例揭示了一个不直观的现实：配备合适工具集的AI，可能在软件开发、会计、法律分析等知识工作中展现极高效率，即便它们仍难以应对需要实时反应的任务。
《宝可梦》实验还揭示另一耐人寻味的现象：在人类数据上训练的模型，会表现出近似人类的行为特征。
在Gemini 2.5 Pro的技术报告中，谷歌指出，当系统模拟“恐慌状态”，如宝可梦即将昏厥时，模型的推理质量会显著下降。
而当Gemini 3 Pro最终通关《宝可梦蓝》时，它为自己留下了一段非任务必需的备注：“为了诗意地结束，我要回到最初的家，与母亲进行最后一次对话，让角色退休。”
在乔尔·张看来，这一行为出乎意料，还带有某种人类式的情感投射。
04、AI难以逾越的“数字长征”，远不止《宝可梦》
《宝可梦》并非孤例。在追求通用人工智能（AGI）的道路上，开发者发现，即便AI能在司法考试中名列前茅，在面对以下几类复杂游戏时，依然面临着难以逾越的“滑铁卢”。
《NetHack》：规则的深渊
这款80年代的地牢游戏是AI研究界的“噩梦”。它的随机性极强且有“永久死亡”机制。Facebook AI Research发现，即便模型能写代码，但在需要常识逻辑和长期规划的《NetHack》面前，表现甚至远逊于人类初学者。
《我的世界》：消失的目标感
虽然AI已能制作木镐甚至挖掘钻石，但独立“击败末影龙”仍是幻想。在开放世界里，AI经常会在长达数十小时的资源收集过程中“忘记”初衷，或在复杂的导航中彻底迷路。
《星际争霸 II》：通用性与专业的断层
尽管定制化模型曾击败职业选手，但若让Claude或Gemini直接通过视觉指令接管，它们便会瞬间崩盘。在处理“战争迷雾”的不确定性，以及平衡微操与宏观建设方面，通用模型依然力不从心。
《过山车大亨》：微观与宏观的失衡
管理乐园需要追踪数千名游客的状态。即便具备初步管理能力的Claude Code，在处理大规模财务崩溃或突发事故时也极易疲态。任何一次推理断层，都会导致乐园破产。
《艾尔登法环》与《只狼》：物理反馈的鸿沟
这类强动作反馈游戏对AI极不友好。目前的视觉解析延迟意味着，当AI还在“思考”Boss动作时，角色往往已经阵亡。毫秒级的反应要求，构成了模型交互逻辑的天然上限。
05为何《宝可梦》成为AI试金石？
如今，《宝可梦》正逐渐成为AI评估领域中一种非正式却极具说服力的测试基准。
Anthropic、OpenAI和谷歌的模型在Twitch上的相关直播累计吸引数十万条评论。谷歌在技术报告中详细记录Gemini的游戏进展，皮查伊在I/O开发者大会上公开提及此项成果。Anthropic甚至在行业会议中设立“Claude玩宝可梦”展示区。
“我们是一群超级技术爱好者，”Anthropic应用AI负责人大卫·赫尔希（David Hershey）坦言。但他强调，这不仅是娱乐。
与一次性问答式的传统基准不同，《宝可梦》能在极长时间内持续追踪模型的推理、决策与目标推进过程，这更接近现实世界中人类希望AI执行的复杂任务。
截至目前，AI在《宝可梦》中的挑战仍在继续。但正是这些反复出现的困境，清晰勾勒出通用人工智能尚未跨越的能力边界。
特约编译无忌对本文亦有贡献
