紐約大學最新研究指出，人工智慧雖然在棋類遊戲表現突出，但在面對現代電玩時，AI 應變能力仍顯不足。研究顯示，AI 能在西洋棋與圍棋等固定規則環境中擊敗人類高手，但一旦進入變化多端的遊戲場景，其表現便大幅下降。
研究團隊指出，這種差異反映出目前多數人工智慧系統仍屬於針對單一任務優化的架構。當遊戲規則或畫面細節稍有變動，AI 應變能力便難以維持穩定，顯示其對未知情境的適應性仍有限。
棋類與電玩的本質差異
棋類遊戲具備明確規則與封閉環境，使人工智慧可以透過計算與搜尋策略達到高水準表現。然而現代電玩更接近真實世界，不僅需要空間理解與長期規劃，還涉及不確定性與即時反應，對 AI 應變能力提出更高要求。
研究指出，許多 AI 系統依賴大量訓練資料與特定場景設定，一旦遊戲畫面顏色或物件位置改變，表現就可能明顯下降。這代表 AI 應變能力仍難以跨場景泛用。
強化學習與語言模型的限制
強化學習雖然能透過大量模擬取得良好成果，但通常需要極高的計算資源與時間。即便如此，其學習成果多半僅適用於訓練過的情境，AI 應變能力在新環境中仍容易崩潰。
大型語言模型在遊戲領域的表現同樣受限，往往需要額外的系統支援才能運作。一旦移除這些輔助機制，其在陌生遊戲中的適應能力便會大幅下降。
通用學習能力仍待突破
研究者指出，理想的人工智慧應能在未經大量預訓練的情況下，快速學會新遊戲並達到接近人類玩家的水準。然而目前 AI 應變能力尚未達到這一目標，顯示通用學習仍是未來發展的重要方向。
研究團隊認為，這項能力不僅關係到遊戲表現，也將影響人工智慧在真實世界中的應用可靠性。如何提升 AI 應變能力，將是未來人工智慧發展的關鍵課題。
※ 圖片為示意畫面，僅用於新聞報導與合理使用
