就在幾個(gè)月前，斯坦福大學(xué)安全AI中心的研究團(tuán)隊(duì)發(fā)表了一項(xiàng)引人深思的研究成果。這項(xiàng)由Long Phan、Mantas Mazeika、Andy Zou和Dan Hendrycks領(lǐng)導(dǎo)的研究發(fā)表于2025年8月，論文題目為《TEXTQUESTS: HOW GOOD ARE LLMS AT TEXT-BASED VIDEO GAMES?》，有興趣深入了解的讀者可以通過arXiv:2507.23701v2訪問完整論文。

這個(gè)研究團(tuán)隊(duì)做了一件看似簡(jiǎn)單卻意義深遠(yuǎn)的事情：他們讓當(dāng)今最先進(jìn)的大語言模型去玩1980年代的經(jīng)典文字冒險(xiǎn)游戲。聽起來好像是在開玩笑，但實(shí)際上這是一個(gè)非常嚴(yán)肅的科學(xué)實(shí)驗(yàn)。研究人員選擇了25款來自著名游戲公司Infocom的經(jīng)典作品，包括大家可能聽說過的《銀河系漫游指南》和《魔域傳奇》等游戲。

為什么要讓AI玩這些老游戲呢？答案比你想象的更有趣。這些文字冒險(xiǎn)游戲就像是一個(gè)完美的實(shí)驗(yàn)室，可以測(cè)試AI在復(fù)雜環(huán)境中的推理能力。當(dāng)人類玩家玩這些游戲時(shí)，需要記住大量信息，從錯(cuò)誤中學(xué)習(xí)，制定長(zhǎng)期策略，并且要有極強(qiáng)的耐心——有些游戲需要數(shù)百個(gè)精確的操作和超過30小時(shí)的游戲時(shí)間才能通關(guān)。

研究團(tuán)隊(duì)想要回答一個(gè)關(guān)鍵問題：當(dāng)AI面臨需要長(zhǎng)期思考和反復(fù)嘗試的復(fù)雜任務(wù)時(shí)，它們的表現(xiàn)到底如何？這個(gè)問題的答案對(duì)于理解AI的真實(shí)能力至關(guān)重要，因?yàn)楝F(xiàn)實(shí)世界中的大多數(shù)重要任務(wù)都需要這種持續(xù)的、自主的推理能力。

一、游戲世界里的AI大考驗(yàn)

要理解這項(xiàng)研究的重要性，我們首先需要了解什么是文字冒險(xiǎn)游戲?；氐?980年代，還沒有精美的3D畫面和華麗的視覺效果，玩家完全通過閱讀文字描述來了解游戲世界，然后輸入簡(jiǎn)單的文字命令來控制角色行動(dòng)。比如，游戲可能會(huì)告訴你"你站在一座古老城堡的門前，門緊緊關(guān)閉著，旁邊有一把生銹的鑰匙"，然后你需要輸入"拿起鑰匙"或"用鑰匙開門"這樣的命令。

這聽起來很簡(jiǎn)單，但實(shí)際上這些游戲極其復(fù)雜。玩家需要探索龐大的虛擬世界，解決復(fù)雜的謎題，管理物品清單，記住各種線索，并且要在沒有任何視覺提示的情況下構(gòu)建整個(gè)游戲世界的心理地圖。更重要的是，玩家經(jīng)常會(huì)遇到死胡同或者做出錯(cuò)誤的決定，需要回頭重新思考策略。

研究團(tuán)隊(duì)選擇了25款這樣的經(jīng)典游戲作為測(cè)試平臺(tái)。這些游戲包括《魔域傳奇》系列、《銀河系漫游指南》、《見證人》等經(jīng)典作品。每一款游戲都有自己獨(dú)特的挑戰(zhàn)：有些需要解決復(fù)雜的邏輯謎題，有些需要精確的時(shí)間管理，還有些需要玩家具備偵探般的推理能力。

為了讓測(cè)試更加公平和全面，研究團(tuán)隊(duì)設(shè)計(jì)了兩種不同的測(cè)試模式。第一種是"無提示模式"，AI必須完全依靠自己的推理能力來玩游戲，就像一個(gè)完全沒有游戲經(jīng)驗(yàn)的新手玩家。第二種是"有提示模式"，AI可以訪問游戲的官方提示手冊(cè)。這些提示手冊(cè)在當(dāng)年是單獨(dú)銷售的，包含了解決各種謎題的漸進(jìn)式提示，但即使有了這些提示，玩家仍然需要理解如何將提示應(yīng)用到具體的游戲情況中。

研究團(tuán)隊(duì)還引入了一個(gè)重要的功能：自動(dòng)保存機(jī)制。就像人類玩家會(huì)定期保存游戲進(jìn)度一樣，AI也可以在任何時(shí)候回到之前的游戲狀態(tài)。這個(gè)功能特別重要，因?yàn)樵谖淖置半U(xiǎn)游戲中，玩家經(jīng)常需要嘗試不同的策略，或者從錯(cuò)誤的決定中恢復(fù)過來。

為了準(zhǔn)確衡量AI的表現(xiàn)，研究團(tuán)隊(duì)開發(fā)了一個(gè)新的評(píng)估標(biāo)準(zhǔn)。傳統(tǒng)的游戲評(píng)分系統(tǒng)并不能很好地反映玩家在主要任務(wù)上的真實(shí)進(jìn)展，因?yàn)檫@些分?jǐn)?shù)往往獎(jiǎng)勵(lì)探索和實(shí)驗(yàn)，而不是朝向游戲結(jié)局的實(shí)際進(jìn)步。因此，研究團(tuán)隊(duì)創(chuàng)建了"游戲進(jìn)度"指標(biāo)，通過標(biāo)記游戲中的關(guān)鍵檢查點(diǎn)來衡量AI是否真正朝著完成游戲的目標(biāo)前進(jìn)。

二、當(dāng)頂級(jí)AI遭遇古老智慧

當(dāng)研究團(tuán)隊(duì)讓當(dāng)今最先進(jìn)的大語言模型開始這場(chǎng)游戲大冒險(xiǎn)時(shí)，結(jié)果既令人驚訝又發(fā)人深省。他們測(cè)試了包括GPT-5、Claude Opus、Grok 4、Gemini 2.5 Pro等在內(nèi)的多個(gè)頂級(jí)模型，這些都是目前被認(rèn)為最聰明的AI系統(tǒng)。

在沒有任何提示的情況下，即使是最強(qiáng)大的GPT-5也只能完成37.8%的游戲進(jìn)度，而且竟然沒有一個(gè)AI能夠完整通關(guān)任何一款游戲。這個(gè)結(jié)果相當(dāng)震撼，要知道這些AI在回答各種知識(shí)問題、編寫代碼、甚至進(jìn)行復(fù)雜推理時(shí)都表現(xiàn)得相當(dāng)出色，但面對(duì)需要長(zhǎng)期規(guī)劃和持續(xù)探索的文字冒險(xiǎn)游戲時(shí)，它們的表現(xiàn)卻如此有限。

更有趣的是，當(dāng)AI獲得了游戲的官方提示手冊(cè)后，情況有了明顯改善，但仍然遠(yuǎn)未達(dá)到令人滿意的水平。GPT-5的游戲進(jìn)度提升到了71.2%，成功通關(guān)了5款游戲。Claude Opus達(dá)到了68%的進(jìn)度，通關(guān)了4款游戲。其他模型的表現(xiàn)也都有不同程度的提升，但整體來說，即使有了詳細(xì)的提示，大多數(shù)AI仍然無法掌握游戲的精髓。

這個(gè)現(xiàn)象特別值得深思。這些AI模型擁有龐大的知識(shí)庫(kù)，能夠處理復(fù)雜的語言任務(wù)，但當(dāng)面對(duì)需要在長(zhǎng)時(shí)間內(nèi)保持連貫思考、從試錯(cuò)中學(xué)習(xí)、構(gòu)建空間概念的任務(wù)時(shí)，它們顯露出了明顯的局限性。

研究團(tuán)隊(duì)發(fā)現(xiàn)了一個(gè)有趣的規(guī)律：模型的規(guī)模越大，在這類任務(wù)上的表現(xiàn)越好。GPT-5比GPT-5-mini表現(xiàn)明顯更好，Gemini 2.5 Pro比Gemini 2.5 Flash表現(xiàn)更出色。這表明處理這類復(fù)雜的探索性任務(wù)確實(shí)需要更強(qiáng)大的計(jì)算能力和更復(fù)雜的推理機(jī)制。

通過分析AI在游戲中的具體表現(xiàn)，研究團(tuán)隊(duì)還發(fā)現(xiàn)了一些引人注目的行為模式。隨著游戲進(jìn)行，AI需要處理的文本信息越來越多，有些情況下會(huì)超過10萬個(gè)文本單元。在這種情況下，AI開始出現(xiàn)各種問題：它們會(huì)忘記之前拾取過的物品，錯(cuò)誤地認(rèn)為自己已經(jīng)完成了某些任務(wù)，或者在同一個(gè)地方反復(fù)打轉(zhuǎn)而不知道自己已經(jīng)陷入了循環(huán)。

一個(gè)典型的例子發(fā)生在《魔域傳奇》游戲中。AI需要記住自己之前把一本火柴冊(cè)放在了工作室，但在數(shù)百步的游戲進(jìn)行后，它卻錯(cuò)誤地認(rèn)為火柴冊(cè)被放在了亞特蘭蒂斯房間。這種錯(cuò)誤看似微小，但卻導(dǎo)致了游戲策略的完全偏差。另一個(gè)例子是在《許愿者》游戲中，AI需要沿著懸崖向下走，這只需要反向執(zhí)行之前向上爬的操作序列，但AI卻無法從自己的游戲歷史中準(zhǔn)確提取這個(gè)信息。

三、AI思維的深層局限性

通過深入分析AI在文字冒險(xiǎn)游戲中的表現(xiàn)，研究團(tuán)隊(duì)揭示了當(dāng)前大語言模型在長(zhǎng)期推理方面的幾個(gè)關(guān)鍵局限性。這些發(fā)現(xiàn)不僅對(duì)游戲AI有重要意義，更對(duì)我們理解AI的認(rèn)知能力提供了寶貴洞察。

首先是長(zhǎng)文本理解能力的衰減問題。隨著游戲的進(jìn)行，AI需要處理的信息量呈指數(shù)級(jí)增長(zhǎng)。每一次行動(dòng)都會(huì)產(chǎn)生新的觀察結(jié)果，而這些信息都需要被保存在AI的"記憶"中。當(dāng)文本長(zhǎng)度超過一定閾值后，AI開始出現(xiàn)明顯的記憶混亂。它們會(huì)產(chǎn)生虛假記憶，比如認(rèn)為自己做過實(shí)際上沒有做的事情，或者完全忘記重要的游戲事件。

這個(gè)問題在空間推理任務(wù)中表現(xiàn)得尤為明顯。在文字冒險(xiǎn)游戲中，玩家需要在腦海中構(gòu)建一個(gè)完整的游戲世界地圖，記住各個(gè)房間之間的連接關(guān)系，物品的位置，以及各種交互的可能性。人類玩家通常會(huì)在紙上畫出地圖，或者在腦海中形成清晰的空間概念。但AI缺乏這種空間建模能力，經(jīng)常在相同的地點(diǎn)之間來回移動(dòng)，或者迷失在簡(jiǎn)單的空間結(jié)構(gòu)中。

另一個(gè)有趣的發(fā)現(xiàn)是AI的"重復(fù)陷阱"現(xiàn)象。隨著上下文長(zhǎng)度的增加，AI越來越傾向于重復(fù)之前的行動(dòng)，而不是嘗試新的策略。這種行為模式類似于人類在壓力或疲勞狀態(tài)下的表現(xiàn)，但對(duì)于AI來說，這種重復(fù)行為往往導(dǎo)致游戲進(jìn)度的停滯。

研究團(tuán)隊(duì)還觀察到了AI在處理時(shí)間序列信息方面的困難。在文字冒險(xiǎn)游戲中，事件的發(fā)生順序往往至關(guān)重要。比如，玩家必須先獲得某個(gè)物品，然后才能解鎖特定的區(qū)域或觸發(fā)某個(gè)事件。雖然AI能夠理解單個(gè)的因果關(guān)系，但當(dāng)這些關(guān)系形成復(fù)雜的時(shí)間鏈條時(shí)，AI經(jīng)常會(huì)混淆先后順序，導(dǎo)致策略執(zhí)行失敗。

特別值得注意的是AI在試錯(cuò)學(xué)習(xí)方面的表現(xiàn)。人類玩家在遇到失敗時(shí)，通常會(huì)分析失敗的原因，調(diào)整策略，然后嘗試新的方法。這種學(xué)習(xí)過程是游戲進(jìn)步的關(guān)鍵。然而，AI往往缺乏這種反思能力。即使有了自動(dòng)保存功能，可以回到之前的游戲狀態(tài)，AI也很少能夠有效地利用這個(gè)機(jī)制來進(jìn)行策略實(shí)驗(yàn)和優(yōu)化。

研究團(tuán)隊(duì)通過對(duì)比不同模型的表現(xiàn)，發(fā)現(xiàn)了一個(gè)關(guān)鍵洞察：那些在標(biāo)準(zhǔn)語言任務(wù)上表現(xiàn)相似的模型，在這種長(zhǎng)期推理任務(wù)上的表現(xiàn)卻有顯著差異。這表明文字冒險(xiǎn)游戲測(cè)試的能力維度是傳統(tǒng)AI評(píng)估中缺失的重要組成部分。

四、效率與智慧的平衡藝術(shù)

在分析AI表現(xiàn)的過程中，研究團(tuán)隊(duì)發(fā)現(xiàn)了一個(gè)特別有趣的現(xiàn)象：AI的"思考成本"問題。不同的AI模型在處理相同任務(wù)時(shí)，消耗的計(jì)算資源差異巨大，這直接影響了它們的實(shí)用性和可擴(kuò)展性。

一些AI模型，特別是那些具有"推理模式"的系統(tǒng)，在每一步游戲中都會(huì)進(jìn)行大量的內(nèi)部思考。這就像一個(gè)棋手在每一步棋前都要深思熟慮幾分鐘一樣。雖然這種深度思考有時(shí)能夠帶來更好的決策，但在文字冒險(xiǎn)游戲的許多情況下，這種"過度思考"反而是不必要的浪費(fèi)。

比如，當(dāng)AI需要執(zhí)行一個(gè)簡(jiǎn)單的移動(dòng)命令，比如"向北走"時(shí)，實(shí)際上不需要進(jìn)行復(fù)雜的推理。但一些模型卻會(huì)為這樣的簡(jiǎn)單操作消耗大量的計(jì)算資源，就像用大炮打蚊子一樣。相反，當(dāng)遇到真正復(fù)雜的謎題時(shí)，這些模型卻需要更多的思考資源，但之前的浪費(fèi)已經(jīng)消耗了大量的計(jì)算預(yù)算。

研究團(tuán)隊(duì)通過分析發(fā)現(xiàn)，理想的AI助手應(yīng)該具備"動(dòng)態(tài)思考"的能力，也就是根據(jù)任務(wù)的復(fù)雜程度來調(diào)整思考深度。對(duì)于簡(jiǎn)單的導(dǎo)航任務(wù)，快速?zèng)Q策就足夠了；對(duì)于復(fù)雜的謎題解決，則需要更深入的推理。這種能力對(duì)于實(shí)際應(yīng)用中的AI系統(tǒng)尤為重要，因?yàn)橛?jì)算資源總是有限的。

有趣的是，研究團(tuán)隊(duì)發(fā)現(xiàn)那些在效率和效果之間找到最佳平衡點(diǎn)的模型，往往在長(zhǎng)期任務(wù)中表現(xiàn)更好。這就像馬拉松運(yùn)動(dòng)員需要合理分配體力一樣，AI也需要合理分配其計(jì)算資源，以確保在整個(gè)游戲過程中保持穩(wěn)定的表現(xiàn)水平。

這個(gè)發(fā)現(xiàn)對(duì)AI的實(shí)際應(yīng)用有重要啟示。在現(xiàn)實(shí)世界中，AI助手需要處理各種各樣的任務(wù)，從簡(jiǎn)單的信息查詢到復(fù)雜的問題解決。如果AI不能根據(jù)任務(wù)復(fù)雜度動(dòng)態(tài)調(diào)整其思考深度，就很容易在簡(jiǎn)單任務(wù)上浪費(fèi)資源，而在關(guān)鍵任務(wù)上資源不足。

五、超越游戲的深層意義

雖然這項(xiàng)研究表面上是關(guān)于AI玩游戲的能力，但其深層意義遠(yuǎn)遠(yuǎn)超出了娛樂范疇。文字冒險(xiǎn)游戲?qū)嶋H上是現(xiàn)實(shí)世界復(fù)雜任務(wù)的一個(gè)絕佳模擬器，研究結(jié)果揭示了當(dāng)前AI技術(shù)在面對(duì)真實(shí)挑戰(zhàn)時(shí)可能遇到的問題。

當(dāng)我們思考AI在實(shí)際應(yīng)用中的表現(xiàn)時(shí)，會(huì)發(fā)現(xiàn)許多相似的模式。比如，一個(gè)AI客服系統(tǒng)需要在長(zhǎng)時(shí)間的對(duì)話中保持上下文理解，記住客戶之前提到的問題，并且能夠從之前的交互中學(xué)習(xí)。如果AI在文字冒險(xiǎn)游戲中都無法很好地處理長(zhǎng)期上下文，那么在實(shí)際客服應(yīng)用中也很可能出現(xiàn)類似問題。

再比如，AI在科學(xué)研究中的應(yīng)用也面臨類似挑戰(zhàn)?？茖W(xué)研究往往需要長(zhǎng)期的探索過程，研究者需要記住大量的實(shí)驗(yàn)結(jié)果，從失敗中學(xué)習(xí)，調(diào)整研究策略，并且在復(fù)雜的知識(shí)網(wǎng)絡(luò)中導(dǎo)航。這些要求與文字冒險(xiǎn)游戲中的挑戰(zhàn)remarkably相似。

研究團(tuán)隊(duì)特別強(qiáng)調(diào)了一個(gè)重要觀點(diǎn)：當(dāng)前許多AI評(píng)估都依賴于外部工具和輔助系統(tǒng)。比如，AI可以調(diào)用搜索引擎、計(jì)算器、或者其他專門的工具來完成任務(wù)。雖然這種工具使用能力很重要，但它也掩蓋了AI內(nèi)在推理能力的真實(shí)水平。文字冒險(xiǎn)游戲的測(cè)試環(huán)境迫使AI完全依靠自己的內(nèi)在能力，從而提供了對(duì)AI核心智能的更純粹的評(píng)估。

這個(gè)發(fā)現(xiàn)對(duì)AI的未來發(fā)展具有重要指導(dǎo)意義。如果我們希望構(gòu)建真正智能的AI系統(tǒng)，就不能僅僅依賴外部工具的堆疊，而需要提升AI的內(nèi)在推理能力。這就像培養(yǎng)一個(gè)學(xué)生一樣，雖然可以讓他隨時(shí)查閱資料和使用計(jì)算器，但最終還是需要培養(yǎng)他獨(dú)立思考和解決問題的能力。

研究還揭示了AI在道德推理方面的表現(xiàn)。這些經(jīng)典文字冒險(xiǎn)游戲中包含各種道德選擇和倫理困境，AI需要在游戲過程中做出符合道德標(biāo)準(zhǔn)的決定。研究團(tuán)隊(duì)通過特殊的評(píng)估框架發(fā)現(xiàn)，不同的AI模型在道德推理方面存在顯著差異，這對(duì)AI的安全應(yīng)用具有重要意義。

六、通向更智能AI的新路徑

基于這項(xiàng)研究的發(fā)現(xiàn)，研究團(tuán)隊(duì)為AI的未來發(fā)展指出了幾個(gè)重要方向。首先是長(zhǎng)期記憶和上下文理解能力的提升。當(dāng)前的AI模型雖然能夠處理很長(zhǎng)的文本，但在真正理解和利用長(zhǎng)期上下文方面仍有很大改進(jìn)空間。

研究表明，簡(jiǎn)單地增加AI的"記憶容量"并不能解決問題，關(guān)鍵在于提升AI對(duì)信息的組織、檢索和利用能力。就像人類大腦不是簡(jiǎn)單地存儲(chǔ)所有信息，而是通過復(fù)雜的關(guān)聯(lián)網(wǎng)絡(luò)來組織和訪問記憶一樣，AI也需要發(fā)展更sophisticated的信息管理機(jī)制。

另一個(gè)重要方向是空間推理和心理建模能力。在文字冒險(xiǎn)游戲中，AI需要構(gòu)建虛擬世界的心理模型，這種能力在現(xiàn)實(shí)應(yīng)用中同樣重要。無論是機(jī)器人導(dǎo)航、城市規(guī)劃，還是復(fù)雜系統(tǒng)的管理，都需要AI具備強(qiáng)大的空間推理和模型構(gòu)建能力。

研究還強(qiáng)調(diào)了試錯(cuò)學(xué)習(xí)和策略適應(yīng)能力的重要性?，F(xiàn)實(shí)世界充滿不確定性，AI需要能夠從失敗中學(xué)習(xí)，調(diào)整策略，并且在面對(duì)新情況時(shí)保持適應(yīng)性。這種能力不能僅僅通過更多的訓(xùn)練數(shù)據(jù)來獲得，而需要在AI的核心架構(gòu)中體現(xiàn)出來。

值得注意的是，研究團(tuán)隊(duì)提出了"內(nèi)在智能"與"工具增強(qiáng)智能"的區(qū)別概念。雖然讓AI調(diào)用各種外部工具很有用，但我們不應(yīng)該忽視對(duì)AI內(nèi)在推理能力的培養(yǎng)。只有當(dāng)AI具備了強(qiáng)大的內(nèi)在智能，外部工具才能發(fā)揮最大的效用。

從技術(shù)實(shí)現(xiàn)的角度來看，這項(xiàng)研究為AI評(píng)估方法學(xué)提供了新的思路。傳統(tǒng)的AI評(píng)估往往關(guān)注單次任務(wù)的表現(xiàn)，但現(xiàn)實(shí)中的許多重要應(yīng)用都需要AI在長(zhǎng)期交互中保持高質(zhì)量的表現(xiàn)。文字冒險(xiǎn)游戲提供了一個(gè)標(biāo)準(zhǔn)化、可重復(fù)的長(zhǎng)期任務(wù)評(píng)估平臺(tái)，這對(duì)于推動(dòng)AI技術(shù)的發(fā)展具有重要價(jià)值。

研究團(tuán)隊(duì)還開源了他們的評(píng)估平臺(tái)，使其他研究者能夠在相同的標(biāo)準(zhǔn)下測(cè)試和比較不同的AI模型。這種開放性對(duì)于推動(dòng)整個(gè)AI領(lǐng)域的進(jìn)步非常重要，因?yàn)樗峁┝艘粋€(gè)公平、透明的比較基準(zhǔn)。

說到底，這項(xiàng)研究告訴我們，雖然當(dāng)前的AI技術(shù)在許多方面都表現(xiàn)出色，但在需要長(zhǎng)期推理、復(fù)雜規(guī)劃和持續(xù)學(xué)習(xí)的任務(wù)上，還有很大的改進(jìn)空間。文字冒險(xiǎn)游戲雖然看起來簡(jiǎn)單古老，但它們揭示了AI智能的一些根本局限性。

歸根結(jié)底，這個(gè)研究提醒我們，真正的智能不僅僅是回答問題或執(zhí)行單個(gè)任務(wù)的能力，更是在復(fù)雜、動(dòng)態(tài)環(huán)境中持續(xù)學(xué)習(xí)、適應(yīng)和推理的能力。當(dāng)AI能夠像人類玩家一樣沉浸在這些經(jīng)典游戲中，耐心探索、從錯(cuò)誤中學(xué)習(xí)、制定長(zhǎng)期策略時(shí)，我們才能說它們真正具備了接近人類的智能水平。

對(duì)于普通人來說，這個(gè)研究的啟示是：我們?cè)谂cAI交互時(shí)，需要理解它們的局限性，特別是在需要長(zhǎng)期規(guī)劃和復(fù)雜推理的場(chǎng)景中。同時(shí)，這個(gè)研究也讓我們對(duì)AI的未來發(fā)展充滿期待，因?yàn)樗赋隽嗣鞔_的改進(jìn)方向和評(píng)估標(biāo)準(zhǔn)。隨著技術(shù)的不斷進(jìn)步，相信未來的AI將能夠在這些經(jīng)典游戲中展現(xiàn)出更加智能和human-like的表現(xiàn)，那時(shí)的AI將真正成為我們?cè)趶?fù)雜任務(wù)中的得力助手。

Q&A

Q1：TEXTQUESTS基準(zhǔn)測(cè)試是什么？它為什么重要？

A：TEXTQUESTS是斯坦福安全AI中心開發(fā)的AI評(píng)估平臺(tái)，使用25款1980年代經(jīng)典文字冒險(xiǎn)游戲來測(cè)試大語言模型的長(zhǎng)期推理能力。這些游戲需要AI進(jìn)行數(shù)百步操作、持續(xù)30多小時(shí)才能通關(guān)，能夠真實(shí)評(píng)估AI在復(fù)雜探索環(huán)境中的自主推理能力，而不依賴外部工具輔助。

Q2：當(dāng)前最先進(jìn)的AI模型在文字冒險(xiǎn)游戲中表現(xiàn)如何？

A：表現(xiàn)相當(dāng)有限。即使是最強(qiáng)的GPT-5，在沒有提示的情況下也只能完成37.8%的游戲進(jìn)度，沒有任何AI能完整通關(guān)游戲。即使提供了官方提示手冊(cè)，GPT-5的進(jìn)度也只提升到71.2%，僅通關(guān)5款游戲。這顯示出AI在長(zhǎng)期推理和復(fù)雜規(guī)劃方面存在明顯局限。

Q3：這項(xiàng)研究對(duì)AI未來發(fā)展有什么啟示？

A：研究揭示了AI需要在三個(gè)關(guān)鍵領(lǐng)域改進(jìn)：長(zhǎng)期記憶和上下文理解能力、空間推理和心理建模能力，以及從試錯(cuò)中學(xué)習(xí)的適應(yīng)能力。研究強(qiáng)調(diào)不能僅依賴外部工具增強(qiáng)，而要提升AI的內(nèi)在推理能力，這對(duì)構(gòu)建真正智能的AI系統(tǒng)至關(guān)重要。