.jpeg)
最近的测试显示，即使是最先进的人工智能模型在有效玩经典的90年代视频游戏（如标志性的第一人称射击游戏《毁灭战士》）方面也面临重大挑战。这一发现来自一个名为VideoGameBench的新基准，该基准评估人工智能在该时代一系列流行游戏中的表现。
关键要点
-
像Claude 3.7这样的先进人工智能模型在玩90年代视频游戏时面临重大挑战。
-
VideoGameBench包括20款经典游戏，测试人工智能对视觉信息的反应能力。
-
人工智能响应时间的高延迟导致游戏效果不佳，尤其是在快节奏的环境中。
VideoGameBench计划
VideoGameBench是由人工智能研究员Alex Zhang开发的，旨在评估现代人工智能模型在游戏中的能力。该基准包括1990年代的多款经典游戏，例如：
-
《毁灭战士》
-
《魔兽争霸II》
-
《帝国时代》
-
《波斯王子》
该测试旨在评估人工智能如何解读视觉数据并基于该信息做出决策。然而，研究人员发现人工智能在这些游戏的快节奏特性上显著挣扎。
VideoGameBench 基准测试游戏列表
人工智能模型面临的挑战
识别出的主要问题之一是人工智能响应时间的高延迟。当人工智能代理捕获屏幕截图并查询模型以获取下一个动作时，游戏状态往往在人工智能能够响应之前发生显著变化。这种延迟使得许多动作变得无效，特别是在像《毁灭战士》这样的第一人称射击游戏中。
专家指出：
-
人工智能模型通常无法理解其移动在屏幕上的表现。
-
常见错误包括在需要精确移动的游戏（如《文明》和《魔兽争霸II》）中难以准确控制鼠标。
-
人工智能在没有明确指令的情况下难以掌握游戏机制，导致游戏效果不佳。
人工智能模型的表现
在测试的模型中，Sonnet 3.7表现最佳，成功导航《毁灭战士》并找到蓝色房间。然而，即使是这个模型也面临重大限制。研究人员强调，在第一人称射击游戏中无法快速反应是人工智能的一个关键障碍。
对人工智能发展的影响
这些发现突显了人工智能开发者在创建能够有效参与复杂游戏环境的模型时所面临的挑战。结果表明，尽管人工智能在各个领域取得了显著进展，但在游戏中——尤其是在经典标题的背景下——仍然是一个复杂的挑战。
随着人工智能技术的不断发展，理解这些局限性对于未来游戏人工智能的进步至关重要。研究强调了需要改进算法，以便更快速和准确地处理视觉信息，使人工智能能够跟上视频游戏的动态特性。
总之，尽管人工智能在许多领域展现了显著的能力，但在掌握经典90年代视频游戏方面的挣扎揭示了开发真正智能游戏代理的持续挑战。创造能够无缝与复杂游戏环境互动的人工智能的旅程仍然远未结束。
来源
-
顶级人工智能模型未能掌握90年代视频游戏, ForkLog.
-
90年代的俄罗斯电脑游戏。第二部分, Habr.
本文借助人工智能技术支持，参考多个权威来源编写而成。最终内容已由BlockzHub编辑团队进行全面审查和编辑，以确保准确性、清晰度和连贯性。原始报道来源在适当且必要时均予以注明。本文中表达的观点不一定代表BlockzHub的官方立场或观点。本文仅供信息参考，不应被视为财务或专业建议。投资涉及风险，在做出任何投资决策之前，您应咨询合格的财务顾问。