Nature重磅，下一代AI系統雛形？MIT團隊：從推理100+新遊戲開始

麻省理工學院（MIT）的研究團隊在最新一期《自然》（Nature）期刊上發表了一項備受矚目的成果，提出一套名為「直覺玩家模型」（Intuitive Gamer model）的全新人工智慧架構。該模型無須事先訓練，就能推理超過一百種從未接觸過的新遊戲，這項突破被學界視為下一代人工智慧系統的潛在雛形，也為通用人工智慧（AGI）的發展帶來全新想像。 傳統人工智慧在處理特定任務時，通常需要依賴大量標註過的訓練數據，或是人為預設的規則才能順利運作。一旦面對從未見過的環境或任務，這類系統往往得從頭學習，難以將既有知識遷移到新領域。MIT團隊的「直覺玩家模型」正是針對這個瓶頸所設計，它模擬人類玩家在初次接觸新遊戲時的行為模式，嘗試在最短時間內理解基本規則，並直接推導出最佳行動方案。 研究團隊從雅達利（Atari）等經典遊戲平台蒐集了數百款遊戲，刻意跳過一般深度學習系統必經的訓練階段，讓模型在所謂「零樣本」（zero-shot）條件下直接進行測試。換句話說，模型在遊戲開始之前完全沒有看過任何一幀畫面或操作紀錄，必須憑藉內建的推理機制，瞬間判斷遊戲邏輯並採取行動。結果顯示，這套模型成功在超過一百款遊戲中展現穩定的推理與決策能力，部分遊戲的表現甚至超越了經過專門訓練的深度學習系統。 這項研究的關鍵突破不僅在於遊戲通關本身，更在於其背後的運作機制。「直覺玩家模型」並非單純依靠記憶或模式匹配，而是內建了因果推理與抽象規則提取的能力。當模型觀察到遊戲中物體的移動、碰撞、得分等事件時，它會自動建立因果關係模型，推測哪些行為會導致哪些結果，並從中抽取出通用的規則。這種方式讓它能夠跳脫傳統「從頭學習」的框架，彷彿擁有一種近似人類的「遊戲直覺」。 MIT團隊指出，這項技術為通用人工智慧提供了一條可行的技術路徑。過往AI難以跨領域遷移知識，導致每個新任務都需要重新設計與訓練。而「直覺玩家模型」展現了在全新環境中快速建模與決策的潛力，若能將此架構延伸至真實世界的複雜場景，例如機器人操作、醫療診斷或自動駕駛，或許就能催生真正能應對未知狀況的智能體。 以機器人操作為例，傳統機器人需要在工廠環境中經過大量程式編寫或示範訓練，才能執行特定動作；若採用類似「直覺玩家模型」的架構，機器人在面對一個從未見過的零件或工具時，可能只需短暫觀察就能推斷出正確的抓取方式。在醫療診斷領域，這樣的系統或許能協助醫生在罕見病例中快速提出假設，而不必仰賴龐大的病例資料庫。自動駕駛則需要處理無數種突發路況，具備直覺推理能力的AI將比現有系統更能適應變化。 這項成果在學術界引起廣泛討論，許多專家認為它展示了一種不同於大規模深度學習的發展方向——也就是讓AI學會「如何思考」而非「記住什麼」。儘管「直覺玩家模型」目前仍處於實驗階段，距離實際應用還有相當距離，但它所證明的零樣本推理能力，已經為下一代人工智慧系統的設計原則提供了重要啟發。未來如何進一步提升模型的泛化能力，並降低運算資源需求，將是研究團隊持續努力的目標。 整體而言，MIT這項發表於《自然》期刊的研究，不僅刷新了人們對機器學習極限的認知，更展現了一條通往真正「智能」的捷徑——讓人工智慧像人類一樣，在面對未知時憑藉直覺與邏輯快速找到解方。隨著這條技術路徑逐步成熟，我們或許很快就能看到新一代AI在更多領域中展現出超越當代系統的適應力。