大數據文摘出品

一場 ChatGPT 對戰 Atari 2600 的象棋對局火了。

具體而言，在一場看似輕松的“AI玩具對決”里，ChatGPT輸給了Atari 2600 的象棋引擎，對手只是一臺48年前、頻率1.19 MHz的8位主機。

起初，這只是Robert Jr. Caruso的一次懷舊實驗。這位基礎架構工程師，平時和自動化、虛擬化、云計算打交道。某天，他和ChatGPT聊起象棋AI，從Stockfish講到AlphaZero，模型興致高漲，主動提出要挑戰Atari 2600上的《Video Chess》。

這款游戲發布于1979年，只有最基礎的規則判斷和1-2步深度搜索。當Caruso把棋盤和規則輸入后，ChatGPT信心滿滿：“這應該很快就能贏。”

然而，整場對局卻變成了一場鬧劇。GPT認錯棋子，把車當象，錯失雙兵叉，甚至連哪些棋子已經被吃掉都記不住。它時常建議“犧牲騎士去換兵”，還不斷要求“從頭再來”，好像換一次初始局面就能擺脫混亂。

Caruso陪它下了整整90分鐘，每一步都要人工幫它“回憶”局面。最終，GPT主動認輸，“低下了頭”，結束了這場令人啼笑皆非的對局。

Caruso在領英中表達：“它犯的錯，能讓你在小學三年級的象棋社被嘲笑一整學期。”

技術盲點：LLM 不會“記住棋盤”

為什么 GPT 會輸？因為它不是為這類任務設計的。

GPT 屬于語言模型，它通過分析大量文本，學習詞語、句子、段落之間的相關性，并基于“概率”決定接下來的輸出。這種機制在對話、寫作中極其強大——但在棋局這類離散系統中，問題變成了“狀態跟蹤”。

在象棋這類游戲里，狀態清晰、規則嚴格：64 個格子、32 個棋子，輪流行動，沒有容錯空間。每一手棋都對結果至關重要。

而 GPT 每次“發言”都是基于之前的“語言提示”，并沒有“內部記憶”去追蹤棋盤狀態。即使外部工程實現了記憶機制，它也會在多個回合后“混淆上下文”。這是因為它沒有專門為棋類構建的“狀態表達結構”，不像 Stockfish 那樣有明確定義的棋盤類、規則引擎、搜索深度控制。

有網友評論說：“你拿一個聊天機器人去玩象棋，就像用千斤頂修車。”

也有網友認為：語言模型捕捉的是序列概率，不擅長高度組合性的任務。

因此，AI 是否真的“懂得”某件事？如果它不能維持一個棋盤狀態，它是否能在更復雜的現實場景中保持一致邏輯？例如：自動駕駛的決策路徑、金融模型的風控評估、甚至是多輪對話中的情緒識別。

在 GPT 輸給 Atari Chess 的那 90 分鐘里，暴露的不只是一個模型的短板，也讓我們重新思考：我們理解的“AI 能力”，是否已經被包裝過度？

作者長期關注 AI 產業與學術，歡迎對這些方向感興趣的朋友添加微信Q1yezi，共同交流行業動態與技術趨勢！

GPU算力按需租用

A100/H100 GPU算力按需租用，

秒級計費，平均節省開支30%以上！

掃碼了解詳情?