长期以来，游戏一直被用作人工智能的试验台和基准，近几个月来，成就不乏不足。谷歌DeepMind的AlphaGo和卡内基梅隆大学的扑克机器人Libratus在传统上对AI很难的游戏中都击败了人类专家-在IBM的DeepBlue 在国际象棋上取得了同样的成就大约20年之后。
这样的游戏具有明确定义的规则的吸引力。它们对于AI研究人员来说相对简单且便宜，并且以任何期望的难度提供了各种认知挑战。通过发明可以发挥作用的算法，研究人员希望能够深入了解自动运行所需的机制。
随着AI和机器学习的最新技术的到来，现在的注意力已转移到视觉上详细的计算机游戏上，包括3-D射击游戏Doom，各种2-D Atari游戏(例如Pong和Space Invaders)以及实时策略。游戏《星际争霸》。
这当然是所有的进步，但是更大的AI画面的关键部分却被忽略了。研究优先考虑了游戏，在这些游戏中，预先知道可以执行的所有动作，无论是移动骑士还是发射武器。从一开始就为计算机提供了所有选项，重点是在它们之间进行选择的程度。问题在于，这使AI研究脱离了使计算机真正具有自主性的任务。
香蕉皮
让计算机确定在给定背景下甚至存在的动作提出了概念和实际挑战，到目前为止，游戏研究人员几乎没有尝试解决这些挑战。“猴子和香蕉”问题是一个长期以来人工智能难题的例子，其中最近没有取得任何进展。
这个问题最初是由AI的创始者之一约翰·麦卡锡(John McCarthy)在1963年提出的：一个房间里有一张椅子，一根棍子，一只猴子和一堆香蕉挂在天花板上。任务是让计算机提出一系列动作，使猴子能够获取香蕉。
麦卡锡在人工智能方面区分了该任务的两个方面。物理可行性–确定特定的动作序列在物理上是否可以实现;以及与认识论或知识相关的可行性–确定猴子实际上可能采取的行动。
如果事先告知所有可能的动作–“爬上椅子”，“波浪棒”等，对于计算机来说，确定对猴子来说在物理上可行的方法非常容易。一个简单的程序指示计算机逐个执行所有可能的操作顺序，将迅速获得最佳解决方案。
但是，如果计算机必须首先确定甚至可以执行哪些操作，则将面临更大的挑战。它提出了关于我们如何表示知识，知道某物的必要条件和充分条件以及我们如何知道何时获得足够知识的问题。在强调这些问题时，麦卡锡说：“我们的最终目标是使程序像人类一样有效地学习经验。”
除非计算机在未对可能的操作进行任何预先描述的情况下解决问题，否则就无法实现此目标。不幸的是，AI研究人员忽略了这一点：不仅这些问题变得更加困难和有趣，而且它们看起来像是在该领域取得更有意义进展的前提。
文字申诉
为了在复杂的环境中自主运行，不可能预先描述如何最好地操纵甚至表征那里的物体。教计算机克服这些困难会立即引发有关从以前的经验中学习的深刻问题。
与其专注于可以避免这个问题的Doom或StarCraft之类的游戏，不如对现代AI进行更有希望的测试，可能是1970年代和1980年代的不起眼的文字冒险。
在计算机具备复杂的图形功能之前的日子，像Colossal Cave和Zork这样的游戏很流行。屏幕上的消息告诉玩家他们的环境：
他们必须以简单的指令做出响应，通常以动词或动词加名词的形式进行响应–“ look”，“ take box”等。挑战的一部分是弄清楚哪些行动是可能的和有用的，并做出相应的响应。
对于现代AI来说，一个很好的挑战是在这样的冒险中扮演玩家的角色。计算机将不得不理解屏幕上的文本描述，并使用某种预测机制来确定其可能的效果，并通过动作对它们进行响应。
计算机上更复杂的行为包括探索环境，定义目标，做出面向目标的动作选择以及解决通常需要进行的各种智力挑战。
由IBM，Google，Facebook或Microsoft之类的技术巨头推广的现代AI方法在这些文字冒险中的表现如何是一个悬而未决的问题–每个新场景他们将需要多少专业的人类知识。
为了衡量该领域的进展，过去两年来，我们一直在今年 8月在荷兰马斯特里赫特举行的IEEE计算智能和游戏大会上进行竞赛。参赛者需要提前提交参赛作品，并且可以使用自己选择的AI技术来构建程序，以通过理解文字描述并输出适当的文字命令来玩这些游戏。
简而言之，如果AI要保持进步，研究人员需要重新考虑他们的优先事项。如果发现该学科被忽视的根源是富有成果的，那只猴子毕竟可能最终得到了他的香蕉。
