视频游戏长期以来是人工智能的重要测试平台。从跳棋到围棋，机器在这些领域取得显著进展，但一项新研究指出，人工智能在应对全新游戏时仍面临重大挑战。研究人员朱利安·托格利乌斯及其同事在论文中强调，尽管人工智能在特定游戏上表现出色，但其适应性远未达到人类水平。

游戏人工智能的许多成功案例依赖于针对单一游戏优化的系统。这些系统能在特定环境中实现高性能，但规则或环境的微小变化就可能导致其能力崩溃。这种脆弱性凸显了人工智能在泛化能力上的不足。游戏需要广泛的认知技能，如空间推理和长期规划，而当前人工智能系统在这些方面表现欠佳。

强化学习是推动人工智能突破的关键方法，通过大量模拟游戏进行学习。然而，这些系统容易过度拟合训练数据，难以适应新场景。基于规划的系统，如用于国际象棋的AI，虽具更强通用性，但依赖快速模拟，这在复杂视频游戏中难以实现。大型语言模型在处理文本任务上表现出色，但在玩不熟悉游戏时效果不佳，因为它们缺乏游戏所需的交互体验。

研究人员建议，真正通用的游戏人工智能应能从零开始学习新游戏，所需时间接近人类水平，而不依赖大量模拟。这一目标远超当前技术能力，可能需要全新架构。人工智能在游戏适应上的局限性不仅影响娱乐领域，还关系到人工通用智能的发展。适应新情境的能力是智能的核心，如果人工智能无法应对受控的游戏环境，将难以处理现实世界的不确定性。

该研究还指出，人工智能在计算机编程领域表现良好，因为编码具有明确规则和即时反馈，类似于结构化的游戏。但在更复杂或开放的环境中，人工智能的能力仍有限。研究人员呼吁将游戏作为测试人工智能适应性和创造力的生态系统，推动系统不仅能学习玩新游戏，还能自主创造游戏内容。