谷歌、OpenAI 争相让旗下 AI 玩经典《精灵宝可梦》游戏，衡量 GP
T、Gemini 的真正实力

IT之家 1 月 25 日消息，据科技媒体 Tom's Hardware 今天报道，
当今时代我们有无数种跑分测试和评测方法来衡量 AI 的聪明程度与
能力，但最近一种相对小众的测试方法也在 AI 圈内引发关注。
图片：https://img.ithome.com/newsuploadfiles/2026/1/ee4c5f5d
-af85-494c-8cf4-7dd48994c6f8.png?x-bce-process=image/format,
f_auto

目前，谷歌、OpenAI 和 Anthropic 等 AI 巨头正在让自家模型游玩
经典的《精灵宝可梦》系列游戏，以此来评估 AI 性能表现。
Anthropic 公司 AI 部门负责人 David Hershey 对此表示：“《精灵
宝可梦》之所以能吸引机器学习社区关注，是因为它不像《Pong》等
简单游戏那样受限。这种游戏对电脑程序来说非常具有挑战性”。
Hershey 从去年开始在 Twitch 平台进行直播，每天的日常就是用公
司自产模型 Claude 玩《精灵宝可梦》。这名负责人平时的工作就是
帮助客户部署 AI，因此他开直播本质上也是在测试模型。
这名负责人给自家 AI 直播游戏的做法也启发了不少自由开发者，他
们也陆续搞了“Gemini 玩《宝可梦》”“GPT 玩《宝可梦》”等类似的
直播节目。
后来，这些直播甚至被谷歌和 OpenAI 注意到，开发团队有时还会客
串直播间亲自调整模型参数，在官方力量注入下，Gemini 和 GPT 已
经成功通关了 Gam Boy 时代的《宝可梦蓝》，目前已在挑战续作；
而 Claude 至今还没打通任何一个版本。
图片：https://img.ithome.com/newsuploadfiles/2026/1/487f166d
-97af-4697-8087-0c4c3b78ea6f.jpg?x-bce-process=image/format,
f_auto

至于为何要用《宝可梦》评估 AI 性能？Hershey 对此解释道：“因
为它给我们提供了直观的方法观察模型表现，还能用量化指标评估性
能”。
通常来讲，玩家在《宝可梦》系列游戏中需要升级、训练已有 / 刚
抓的宝可梦，还要打败道馆馆主来捕捉新的宝可梦。这种游戏流程并
非线性，而是充满着判断和取舍。
而且，玩家还要经常在游戏中做出选择：是先冒险挑战强大的训练家
以获取珍稀宝可梦，还是稳扎稳打造出一支实力均衡的队伍。
显然，人类非常擅长做此类决策，这也是游戏的乐趣所在，但对于 A
I 来说，这是一场关乎逻辑推理、风险评估以及长期规划能力的综合
考验。
因此研究人员会深入剖析 AI 在游戏里的决策方式，深入理解模型的
能力边界。
Hershey 还会将 AI 玩《宝可梦》的结果分享给客户以改进控制框架
（IT之家注：harness），帮助他们提升算力使用效率，让模型更高
效运转。