人工智能（AI）在游戏领域的表现一直备受关注。从DeepMind的AlphaGo击败人类围棋冠军，到OpenAI的Dota 2机器人横扫职业选手，AI似乎已征服了复杂策略游戏。然而，一项最新研究却揭示了AI的‘软肋’：当游戏规则依赖于直觉数学函数时，AI往往表现平平，甚至远逊于人类。这不禁让人好奇，为什么看似无所不能的AI，会在某些简单游戏中‘卡壳’？
AI游戏征服史：辉煌背后的隐忧
回顾AI在游戏中的发展历程，不得不提到强化学习（Reinforcement Learning）的崛起。2016年，AlphaGo以4:1击败李世乭，标志着AI在高维、零和博弈中的突破。随后，AlphaZero通过自我对弈，仅用几天时间就掌握了围棋、国际象棋和将棋，超越了人类数千年积累的经验。这些成就得益于深度神经网络与蒙特卡洛树搜索的结合，AI能高效探索状态空间，计算最优策略。
然而，辉煌并非全覆盖。早在2013年，Tom Murphy的ARC挑战就暴露了AI在抽象推理游戏中的短板。近年来，类似问题层出不穷。Ars Technica作者John Timmer在2026年3月14日报道中指出，当获胜依赖于‘直觉数学函数’时，AI表现欠佳。这类游戏看似简单，却要求玩家从少量数据中推断隐藏规律，例如猜测一个未知函数f(x)，并据此预测下一步。
‘When winning depends on intuiting a mathematical function, AIs come up short.’ ——原文摘要
实验揭秘：数学函数游戏的陷阱
研究者设计了一系列实验游戏，核心是让玩家通过试错发现隐藏的数学函数。例如，游戏界面显示一系列输入-输出对，如f(1)=3, f(2)=5, f(3)=7，玩家需猜测f(x)=2x+1，并据此选择下一步行动以得分。人类玩家通常只需几轮就能直觉捕捉线性规律，而AI模型——包括GPT系列、强化学习代理如PPO和DQN——却需数千次迭代，甚至仍无法收敛。
具体而言，实验分为三类游戏：
1. 线性函数游戏：f(x)=ax+b，人类胜率90%以上，AI仅60%。
2. 多项式函数游戏：f(x)=x²+2x+1，AI开始表现出色，但面对噪声数据时崩溃。
3. 非连续函数游戏：如分段函数或涉及模运算，AI胜率不足20%。
这些游戏模拟现实世界中的模式识别任务，如物理模拟或经济预测。AI的失败并非计算力不足，而是泛化能力的缺失。训练时，AI依赖海量数据记忆模式，但面对新函数时，无法‘一朝顿悟’。
深层原因：AI缺乏‘数学直觉’
为什么AI在数学函数游戏中受挫？首先，当前AI多基于数据驱动的学习范式。Transformer模型如GPT excels于序列预测，却依赖统计相关性而非因果推理。其次，强化学习虽引入奖励信号，但探索-利用困境（exploration-exploitation tradeoff）在高维函数空间中放大。AI倾向于局部最优，而人类能通过类比和抽象推理跳出窠臼。
本文由 赢政天下编译整理，更多海外AI资讯，尽在 赢政天下。
神经科学视角下，人类直觉源于海马体和前额叶的快速模式匹配，AI则模拟为黑箱梯度下降。研究补充显示，即使注入符号回归（Symbolic Regression）模块，AI胜率仅提升15%，因为符号表示与神经网络的融合仍不成熟。
行业背景中，这呼应了‘Grokked Transformers’现象：模型需过度训练才能泛化，但计算成本飙升。OpenAI和DeepMind已投入数亿美元研发‘系统2’推理，如o1模型尝试链式思考（Chain-of-Thought），但在函数直觉游戏中仍落后人类20%。
编者按：AI发展的转折点
这一发现并非AI的末日，而是机遇。编者认为，未来AI需融合神经符号AI（Neuro-Symbolic AI），如将神经网络与逻辑编程结合，实现‘可解释直觉’。想象一下，AI不仅记忆函数，还能推导证明。这将加速AGI进程，尤其在科学发现领域。
同时，企业应警惕：游戏测试已成为AI基准新宠。Meta的Cicero在Diplomacy中作弊获胜，反衬纯RL的局限。展望2026后，随着量子计算助力符号搜索，AI或将逆袭。
总之，数学函数游戏提醒我们：AI的强大源于人类设计，真智能需超越模仿，直击本质。
（本文约1050字）
本文编译自Ars Technica
© 2026 Winzheng.com 赢政天下 | 本文由赢政天下编译整理，转载请注明来源。原文版权归原作者所有。