《我的世界》成为AI新「考场」？高三生用游戏评测AI：DeepSeek-R1位列第三

诚如 Adi Singh 所说，MC-Bench 比传统的 AI 评测更直观，也更能反映 AI 在实际应用中的表现。最重要的是，游戏环境提供了一个安全可控的测试场所，有助于研究 AI 的推理和规划能力：“游戏或许可以成为一种测试‘自主推理能力’的媒介，比现实世界中的测试更安全，也更容易控制，因此我认为这种方式更理想。” 那么，跟传统的 AI 评测方式相比，游戏化这条路到底赢在哪儿？说到底，传统方法如今已经很难全面衡量大模型的实际能力了，而游戏化评测有几个独到之处： 首先，游戏往往包含多层次挑战，可以考验 AI 的问题解决、策略思维和适应能力，这模拟了现实世界的复杂度。其次，在游戏环境中，AI 需要独立做出决策，而不是只执行预设任务，这能评估它的自主决策能力。再者，游戏提供了可重复测试的环境，可以在相同条件下对比不同 AI 的表现。最后也最重要的是安全性——与直接部署到现实世界相比，游戏环境为 AI 评测提供了一个更安全的测试空间。 基于这些判断，Adi Singh 的观点很明确：游戏化评测有望成为未来 AI 评测的重要趋势。它不仅让 AI 研究变得更有趣，也让普通人能够更直观地理解 AI 的发展水平。 而他之所以选择《我的世界》作为评测对象，很大程度上是因为它的广泛知名度——毕竟，这是全球销量最高的电子游戏之一，即使是不玩游戏的人，也可以直观地判断哪个方块版的“酒杯”更符合实际。除此之外，还有其他几个关键原因： 一是全球用户群体庞大。《我的世界》全球有上亿玩家，可以轻松吸引大量用户参与 AI 评测，形成众包数据。二是易于理解和评判。相比代码输出或文本生成，视觉化的建筑作品更容易让普通用户参与评测——你不用懂编程，也能看出哪座建筑更有创意和写实。三是能测试 AI 的复杂能力。建造建筑不仅考验 AI 的生成能力，还涉及逻辑推理、规划、空间认知等，而传统 AI 评测很难全面覆盖这些维度。 其实，MC-Bench 从技术上来说也是一个编程基准测试，因为 AI 模型需要编写代码来完成建造任务，比如“堆雪人”或“在宁静的沙滩上建造一座迷人的热带小屋”。只不过，它通过视觉化的方式降低了参与门槛，使得任何人都能轻易参与到 AI 模型的评测中来。这种方式不仅增加了项目的吸引力，也为收集关于 AI 性能的数据提供了新途径。

大型 AI 公司支持，8 名志愿者推动

目前，MC-Bench 是一个公开网站，任何人都可以访问、评判 AI 生成的作品，并给出自己的投票数据。根据官网信息，其团队仅由 8 名志愿者组成，以维持日常的开发和维护工作： 此外，Anthropic、Google、OpenAI 和阿里巴巴等大型 AI 公司提供了模型访问权限用于基准测试，不过与该项目并无官方合作关系： 从 MC-Bench 官方给出的胜率最高的 Top 10 大模型名单来看，Claude 3.7 Sonnet 目前位居第一，而近来爆火的 DeepSeek-R1 排在第三名。 当前，MC-Bench 主要测试的还是基础建造能力，以评估 AI 从 GPT-3 时代发展至今的进步。至于未来规划，Adi Singh 透露，他计划拓展到更复杂的任务，比如长期规划和目标导向型任务。他还补充说，MC-Bench 的排行榜与他的个人体验高度一致，说明该平台确实能为用户提供有价值的见解。 也许，未来的 AI 评测方式，不再是刷题，而是“玩游戏玩”出来的——你觉得这种方式靠谱吗？