在评估人工智能性能的众多方法中，一种看似“非主流”的方式正悄然兴起——让AI模型挑战经典游戏《精灵宝可梦》。谷歌、OpenAI和Anthropic等科技巨头纷纷加入这场特殊的“测试赛”，通过观察AI在游戏中的表现来衡量其能力边界。
Anthropic公司AI部门负责人David Hershey是最早实践这一方法的推动者之一。他自去年起便在Twitch平台开设直播频道，每天使用公司研发的Claude模型游玩《精灵宝可梦》，将测试过程完全公开化。这种做法不仅吸引了大量技术爱好者围观，更激发了全球开发者的模仿热情。自由开发者们陆续推出“Gemini玩《宝可梦》”“GPT玩《宝可梦》”等衍生直播，形成了一场独特的AI竞技潮。
这场由个人实验引发的技术热潮很快引起行业关注。谷歌和OpenAI的研发团队开始定期参与直播互动，甚至直接在镜头前调整模型参数。经过持续优化，Gemini和GPT模型已成功通关Game Boy时代的《宝可梦蓝》，并开始挑战后续作品。相比之下，Claude模型至今未能完成任何版本的完整通关，这一差异为技术团队提供了宝贵的对比数据。
选择《精灵宝可梦》作为测试场景并非偶然。与传统测试游戏不同，这款作品要求玩家在非线性流程中做出复杂决策：既要培养现有宝可梦的战斗能力，又要规划捕捉新精灵的时机；既要冒险挑战强大训练家获取稀有资源，又要确保队伍实力均衡以应对突发状况。这种需要平衡短期收益与长期规划的机制，恰好构成对AI逻辑推理、风险评估和战略规划能力的综合考验。
研究人员通过分析AI在游戏中的选择路径，能够直观观察其决策模式。例如模型是否会优先强化特定属性宝可梦，或在资源有限时如何分配训练重点。这些数据为优化算法提供了重要参考，帮助开发者理解模型在复杂环境中的行为特征。
这项实验已产生实际技术价值。Hershey将测试中发现的模型效率问题反馈给客户，协助改进AI控制框架，使算力分配更加合理。部分企业根据游戏测试结果调整了模型训练策略，在保持性能的同时降低了计算资源消耗。这种将娱乐场景与工业应用结合的创新方式，正在为AI评估体系开辟新的可能性。
