0:000:00
<p>欢迎来到谷粒粒的节目《硅基奇谈》！在这里，我们以对谈的形式，探索和解读世界。</p><p>本期节目，我们将深入探讨一个出人意料的发现——即便是最先进的视觉语言模型（VLM），在面对我们童年时期的经典视频游戏时，表现也可能远逊预期。当强大的AI在编码、数学计算上展现出惊人能力时，它们在需要直觉、常识和与动态环境交互的游戏世界中，为何会遭遇滑铁卢？一项名为VideoGameBench的研究，通过对包括Gemini 2.5 Pro、GPT-4o和Claude 3 Opus在内的顶级模型进行严格测试，揭示了这一现象及其背后的深层原因。</p><p>🎯 本期你将收获：</p><p>* ✨ **VideoGameBench研究揭秘**：了解为何选择九十年代经典老游戏（如《塞尔达传说》、《毁灭战士》）来评估现代AI的能力。</p><p>* ✨ **"裸考"AI的严格标准**：探究测试如何仅通过原始游戏画面和基本操作说明，考验AI的真实交互水平。</p><p>* ✨ **自动化评估的智慧**：学习如何利用游戏攻略视频和感知图像哈希技术，客观衡量AI的游戏进度。</p><p>* ✨ **顶级VLM的意外表现**：揭示为何即便是Gemini 2.5 Pro等模型，在游戏中的完成度也出奇地低。</p><p>* ✨ **AI的"阿喀琉斯之踵"**：分析导致模型失败的几大核心原因，如"知行鸿沟"、视觉信息处理错误、长期规划与记忆能力缺失等。</p><p>* ✨ **具身智能的挑战**：探讨测试结果对理解当前AI在具身智能、通用决策能力方面局限性的重要启示。</p><p>* ✨ **未来AI的发展方向**：思考如何让AI更好地理解和适应复杂动态的真实世界环境。</p><p>---</p><p>* **00:00 - 00:17** 顶尖视觉语言模型在九十年代经典游戏中表现不佳，引出本期话题。</p><p>* **00:17 - 00:45** 话题引入：用经典老游戏测试最强视觉语言模型（VLM）的真实能力。</p><p>* **00:45 - 01:06** 研究介绍：VideoGameBench 登场，一个专门为此设计的测试基准。</p><p>* **01:06 - 01:50** VideoGameBench 详解：为何选择老游戏，旨在测试 VLM 在常识、直觉、视觉感知、空间导航...