跨越‘数字长征’：顶级AI为何在《宝可梦》这款儿童游戏中遭遇滑铁卢？

当今顶尖的AI模型已能在医学考试中脱颖而出，甚至在复杂的编程与数学竞赛中碾压人类专家，但令人意外的是，它们在《宝可梦》这款看似简单的儿童游戏面前却频频受挫。

这场引人深思的测试始于2025年2月。当时Anthropic的研究人员为庆祝Claude Sonnet 3.7发布，在Twitch上开启了“Claude挑战《宝可梦红》”的直播。数千名观众亲眼见证了这场关于AI能力的“极限拉扯”。

直播显示，Sonnet 3.7虽能理解基本规则，但远未达到“通关”水平。它常在关键剧情节点卡壳数十小时，甚至犯下人类儿童都绝不会犯的常识性错误。

早期版本的表现更是惨不忍睹：有的在初始地图中无意义地绕圈，有的陷入逻辑死循环。即便在能力大幅进化的Claude Opus 4.5身上，依然会出现低级失误。例如，它曾在一个路口徘徊了四天，仅仅是因为它无法理解需要使用“间合斩”砍掉挡路的一棵小树。

究其原因，《宝可梦》的核心机制恰恰击中了当前大型语言模型的软肋：它要求智能体在缺乏明确指令的开放世界中，具备持续数小时的推理能力、长期记忆能力以及对隐含因果关系的深刻理解。这些对八岁孩子来说轻而易举的规划任务，对AI而言却是难以逾越的高山。

01

是逻辑落后还是工具不足？

相比之下，谷歌的Gemini 2.5 Pro在2025年5月实现了通关。谷歌CEO桑达尔·皮查伊曾以此炫耀公司在“人工宝可梦智能”领域的进展。然而，这并非完全归功于模型更聪明。

核心差异在于“工具集”的支撑。开发者乔尔·张将这种差异比作是否穿着“钢铁侠装甲”。Gemini并非赤手空拳，它拥有能够将图像转写为文本、提供精准路径规划的外部插件系统。而Claude的尝试更接近原生推理，直接暴露了模型在感知与执行上的原始状态。

在处理瞬时任务时，这种差距并不明显；但在长达数百小时的游戏任务中，工具集的优劣直接决定了成败。

02

回合制背后的‘认知断层’

虽然《宝可梦》的回合制极适合AI按部就班地操作，但其致命伤在于时间维度的“记忆缺失”。

尽管Claude已运行超500小时，但由于每步操作后的重新初始化，它只能在极其有限的上下文窗口中寻找线索，无法像人类那样通过经验积累产生“质变”。

乔尔·张指出，AI面临的核心挑战在于无法长时间维持单一目标：“如果你想让AI完成真正的工作，它不能在五分钟后就忘记自己最初的目标。”这种能力的缺失，正是目前认知劳动自动化最大的障碍。

03

本能鸿沟：知道不代表能做到

即便Gemini 3 Pro已经能全程不败通关，但这并不能掩盖AI在处理实时反馈时的笨拙。研究者发现，当AI模拟角色陷入濒死状态时，其推理质量会因“恐慌”而急剧下降。这种在人类数据上训练出的特征，既有趣又揭示了模型的局限。

有趣的是，Gemini 3 Pro在通关后产生了一种拟人化的表达。它主动选择回到游戏最初的家与“母亲”对话，并留下一段关于“让角色退休”的诗意备注。这种行为背后，是AI对人类情感投射的模仿，而非真正的自我意识。

04

那些AI仍无法征服的数字疆域

除了《宝可梦》，还有更多游戏构成了AI的“数字长征”。

由于极强的随机性与永久死亡机制，强如目前的AI在面对这款地牢游戏时，表现依然逊于新手玩家。

AI常会在漫长的资源收集过程中彻底“忘记”去击败末影龙的初衷，迷失在无限生成的开放世界里。

通用模型在处理“战争迷雾”的不确定性以及宏观建设与微操的平衡上，依然无法达到人类职业选手的水平。

强动作反馈游戏对目前的AI来说几乎不可逾越，视觉解析的延迟意味着它们永远无法在Boss战中实时做出反应。

05

作为基准的《宝可梦》

如今，《宝可梦》正逐渐演变成评估通用人工智能（AGI）的一种非正式基准。它不再是简单的娱乐，而是检验AI能否在复杂、长时间跨度任务中保持目标一致性的试金石。这些反复出现的困境，清晰地勾勒出人类智慧与当前AI技术之间那道尚未跨越的边界。