这项由腾讯公司与武汉大学合作开展的突破性研究发表于2025年9月，论文编号为arXiv:2509.25052v1，研究团队由腾讯的王赛、徐中文以及武汉大学的吴宇领导。有兴趣深入了解的读者可以通过该论文编号查询完整论文。
想象一下这样的场景：当你第一次接触一款全新的游戏时，你不会立即知道所有规则，而是通过试玩、观察和思考逐渐理解游戏机制，然后制定策略来获胜。现在，研究人员成功创造了一个能够像人类一样学习和思考的AI智能体，它不是通过死记硬背大量游戏数据来获胜，而是真正理解游戏规则并制定策略。
这个被称为"Cogito, ergo ludo"（我思故我玩）的AI智能体，简称CEL，代表了人工智能领域的一个重要转折点。传统的AI就像一个记忆超强但不会思考的机器人，它需要观看数百万次游戏录像才能学会玩游戏，而且你永远不知道它为什么做出某个决定。相比之下，CEL更像一个聪明的人类学习者，它能够观察、思考、总结规律，并且能够清楚地告诉你它的想法过程。
一、革命性的学习方式：从"记忆型"到"思维型"
传统的AI学习游戏就像一个只会死记硬背的学生。比如要让AI学会下棋，工程师需要让它观看成千上万局棋谱，通过不断调整内部参数来提高胜率。这个过程就像训练一只海豚表演，通过大量重复练习形成条件反射，但海豚并不真正理解表演的逻辑。
更让人困扰的是，传统AI的决策过程完全是个"黑箱"。就像你问一个只会背答案的学生为什么选择这个答案，他只能告诉你"因为我背过这道题"，却说不出逻辑推理过程。这种不透明性让人很难信任AI的决定，特别是在医疗诊断或自动驾驶等关键领域。
CEL智能体采用了完全不同的学习策略。它就像一个善于观察和思考的人类学习者，面对一个全新游戏时，会经历两个重要阶段：游戏中的决策阶段和游戏后的反思阶段。
在游戏过程中，CEL会像经验丰富的棋手一样进行前瞻性思考。它会评估当前局面的价值，预测每个可能行动的后果，然后选择最有利的策略。这个过程完全透明，你可以看到它的每一步思考逻辑。
游戏结束后，CEL会进入深度反思模式，就像一个认真的学生会在考试后总结经验教训。它会回顾整个游戏过程，分析哪些决策是正确的，哪些是错误的，然后更新自己对游戏规则的理解和战略指南。这种"边玩边学边思考"的方式让CEL能够快速掌握新游戏的精髓。
二、智能体的"大脑结构"：四个核心组件协同工作
CEL智能体的内部结构可以比作一个高效运转的智囊团，由四个专门的"专家"组成，每个专家都有自己的专长，但彼此密切合作。
第一个专家是"规则理解专家"，它的任务是通过观察游戏过程来推断游戏的基本规则。就像一个聪明的孩子第一次看别人下棋，虽然不知道具体规则，但通过观察棋子的移动模式、胜负判定等，逐渐理解象棋的基本机制。这个专家会将观察到的规律整理成一套清晰的规则说明书，用人类能够理解的自然语言表达。
第二个专家是"世界模型预测师"，它负责预测行动的后果。当CEL考虑下一步行动时，这个专家会根据已知的游戏规则，预测每个可能行动会导致什么结果。这就像一个象棋高手在移动棋子前，会在脑中模拟"如果我这样走，对手可能会那样应对"的情况。
第三个专家是"价值评估师"，它的作用是判断当前局面的好坏。每当CEL面临一个新的游戏状态时，这个专家会综合考虑各种因素，给出一个整体评价："这个局面对我有利吗？成功的可能性有多大？"这种评估帮助CEL做出更明智的决策。
第四个专家是"策略顾问"，它负责总结和制定游戏策略。通过分析成功和失败的经验，这个专家会不断完善一套战略指南，类似于一本不断更新的"游戏攻略手册"。这本手册包含了各种实用技巧，比如"在扫雷游戏中，应该优先从角落开始"或"在推箱子游戏中，要避免把箱子推到死角"。
这四个专家的协作过程非常有趣。当CEL需要做决策时，价值评估师首先分析当前局面，世界模型预测师模拟各种可能的行动结果，然后结合策略顾问的建议，选择最优的行动方案。游戏结束后，规则理解专家和策略顾问会根据游戏经验更新知识库，为下一轮游戏做准备。
三、实战测试：三种不同类型游戏的挑战
为了验证CEL智能体的学习能力，研究团队选择了三种不同类型的经典游戏进行测试：扫雷、冰湖导航和推箱子。这三种游戏代表了不同的挑战类型，就像给学生出三种不同风格的考题来全面评估其能力。
扫雷游戏是一个典型的逻辑推理挑战，就像数学证明题一样需要严密的逻辑思维。在5×5的网格中隐藏着3颗地雷，玩家需要根据已揭开格子显示的数字（表示周围地雷数量）来推断地雷位置。这需要AI具备强大的约束满足和逻辑推理能力。
冰湖导航游戏考验的是路径规划能力，类似于在复杂地形中寻找最佳路线。AI需要在一个6×6的网格中，从起点到达终点，同时避开6个随机分布的陷阱。这个游戏看似简单，但需要AI学会空间推理和路径优化。
推箱子游戏则是一个复杂的序列规划问题，就像解决一个多步骤的工程项目。在6×6的网格中，AI需要推动箱子到指定目标位置，但箱子只能推不能拉，而且不能推到墙角造成死锁。这需要AI具备前瞻性规划和避免陷阱的能力。
特别值得注意的是，研究团队故意增加了挑战难度：CEL智能体在开始时完全不知道游戏规则，只知道可以执行的基本操作。而且，它只有在游戏完全结束时才能获得反馈（成功或失败），这就像让一个人在完全黑暗中摸索前进，只有在最后才能知道是否走对了路。