在探索生成式人工智能（AI）能力评估的新边界时，传统的基准测试方法正逐渐被更具创新性的方案所取代。12年级学生阿迪·辛格引领的这一潮流尤为引人注目，他选择了一款全球知名的游戏——《我的世界》（Minecraft），作为评估AI的新舞台。
辛格与合作伙伴共同开发的Minecraft Benchmark（MC-Bench）平台，旨在通过《我的世界》中的创作挑战来比拼AI模型的能力。用户参与投票，决定哪个AI的作品更胜一筹，且只有在投票后才能揭晓作品的创作者身份。这一创意利用了《我的世界》的广泛认知度，使非专业人士也能轻松理解并评价AI的进步。
辛格强调，《我的世界》不仅是一款游戏，更是一个易于理解且深受喜爱的平台，有助于直观展示AI的发展成果。其画面风格和游戏氛围为人们所熟知，使得AI的创作成果更容易被大众所接受和评判。
MC-Bench平台目前已有多家知名公司参与，包括Anthropic、谷歌、OpenAI和阿里巴巴，它们提供了产品支持以运行基准测试提示，但并未直接参与项目开发。辛格表示，目前的挑战主要集中在简单的构建任务上，旨在反映自GPT-3时代以来AI领域的进步。未来，他计划扩展到更复杂的长期项目和目标导向任务，认为游戏作为一种测试媒介，相较于现实生活更加安全且易于控制。
事实上，《我的世界》并非首个被用作AI基准测试的游戏。《精灵宝可梦红》、《街头霸王》和《你画我猜》等游戏也曾被尝试用于此目的，这反映出传统AI基准测试的局限性。标准化评估虽然常见，但往往让AI在某些领域占据天然优势，尤其是那些依赖记忆和简单推理的任务。
从技术角度看，MC-Bench是一种编程基准测试，要求AI模型根据提示编写代码（即在游戏中构建物体）。然而，对于大多数用户而言，判断一个雪人或海滩小屋是否美观，远比深入分析代码来得简单直观。这种直观的评估方式使得MC-Bench具有广泛的吸引力，并有助于收集更多关于模型性能的数据。
尽管MC-Bench的测试结果对AI实用性的影响尚存争议，但辛格认为这是一个积极的信号。他指出，MC-Bench的排行榜与他个人使用这些模型的经验高度一致，这与许多纯文本基准测试形成鲜明对比。因此，MC-Bench或许能为相关公司提供有价值的反馈，帮助它们判断自身是否正朝着正确的方向发展。
