紐約大學研究揭AI棋類強電玩弱 應變能力距人類仍有大鴻溝

紐約大學（NYU）研究團隊近期發表關鍵論文指出，人工智慧雖能在西洋棋、圍棋等規則明確的封閉環境中擊敗人類頂尖選手，卻在面對未接觸過的現代電玩時顯露明顯劣勢。研究顯示，AI在棋類遊戲的勝利主要依賴對固定規則的精準優化，但電玩環境高度動態且複雜，需同時處理空間推理、長期策略規劃、即時情境適應，甚至社交直覺等多元因素。實驗中，當遊戲畫面顏色、物件位置或規則微調，AI表現便急劇下滑，暴露其缺乏人類般的通用學習與應變能力。此差異凸顯當前AI技術的本質限制——過度專注單一任務優化，與真實世界需要的靈活適應力存在根本落差。研究團隊強調，這不僅是遊戲領域的挑戰，更直接影響AI未來在醫療診斷、自動駕駛等需應對突發變化的現實場景中的可靠性與安全性。

棋類遊戲AI勝利的隱形代價

棋類遊戲的規則封閉性與明確輸贏標準，使AI能透過大量數據訓練與精準演算法取得優勢。例如AlphaGo在圍棋中勝出，關鍵在於其能預先計算所有可能走法，並在固定棋盤環境中進行數百萬次模擬。然而，這種成功建立在「環境可預測」的基礎上，一旦進入電玩世界，如《我的世界》或《英雄聯盟》等開放式遊戲，AI便陷入困境。電玩的動態性在於玩家行為難以預測、場景持續變化、甚至需理解非語言社交暗示（如隊友表情或語氣），這些都超出當前AI的處理範圍。研究指出，許多被宣傳為「AI遊戲高手」的系統，實際上是針對特定遊戲量身打造的「單一任務引擎」，例如為《星際爭霸》專屬設計的AI需預先輸入遊戲機制參數，若遊戲版本更新或微調，系統便需重新訓練。這類依賴高度特化的架構，根本無法轉化為通用能力，更別說面對真實世界中無數不可預測的變數。

強化學習與語言模型的瓶頸

當前主流AI技術如強化學習（Reinforcement Learning）與大型語言模型（LLM）在電玩適應上同樣碰壁。強化學習雖能在模擬環境中透過反覆試錯達成高分，但其代價是需消耗龐大計算資源——例如訓練一個遊戲AI可能需數十億次模擬，且效果僅限於訓練時的特定情境。一旦遊戲地圖更換或新增敵人類型，AI便「失憶」般表現崩潰。研究團隊模擬實驗顯示，當《雷神之鎚》遊戲地圖從「沙漠」換成「雪地」，同一AI的勝率從85%銳減至32%。至於LLM，其在遊戲中的應用更需額外架構支援，如專屬模組解析畫面狀態、管理短期記憶，若移除這些輔助工具，AI便無法理解遊戲邏輯。這揭示一個核心矛盾：當前AI的「智能」是透過「預先定義」而非「自主理解」獲得，與人類從經驗中學習的模式截然不同。人類玩家能在幾分鐘內理解新遊戲規則，而AI卻需重複大量數據訓練，效率與靈活性皆處於劣勢。

通用AI的關鍵：從零學習與資源效率

研究團隊提出，真正的通用AI應具備「無預訓練、低資源」的即時學習能力，能在數分鐘內從零掌握新遊戲，且表現不遜於人類玩家。這不僅是遊戲領域的里程碑，更是AI能否邁向真實世界應用的關鍵指標。例如在醫療場景中，AI需在患者症狀突變時即時調整診斷策略，而非僅依賴過去病歷；在自動駕駛中，面對突發天氣或行人行為，系統需即時適應而非僵化執行預設路徑。目前，紐約大學團隊正探索「元學習」（Meta-Learning）技術，讓AI從多種遊戲經驗中抽象出通用策略，類似人類透過下棋理解空間邏輯後，能快速掌握其他策略遊戲。此研究也呼籲產業界避免過度聚焦單一任務優化，應投入資源發展能跨領域遷移的AI架構。若成功，將徹底改變AI應用的範疇，使技術真正融入動態多變的日常生活，而非停留在實驗室的「完美環境」中。