GeoGuessr AI：機器能打敗最強玩家嗎？

2023 年 5 月 11 日，被公認為全球最知名的職業 GeoGuessr 玩家之一的 Trevor Rainbolt，發布了一支名為world’s best ai vs geoguessr pro的影片。他輸掉了全部六局。對手是 PIGEON，一個來自史丹佛的研究模型，它只靠 Street View 影像學會了這款遊戲。

「我們不是第一個跟 Rainbolt 對戰的 AI，」其中一位開發者 Silas Alberti 告訴 NPR，「我們是第一個贏過 Rainbolt 的 AI。」三年過去，AI 能否擊敗 GeoGuessr 這件事已經有了定論。現在值得問的是：GeoGuessr AI 如何判讀場景、人在哪裡仍佔上風、規則允許什麼，以及如何把同一項技術轉化為練習，而不是將它一禁了之。

PIGEON 由 Lukas Haas、Michal Skreta、Silas Alberti 與 Chelsea Finn 開發。它起初是史丹佛 CS 330 課程的一個課堂專題，於 2023 年 7 月刊登在 arXiv 上，並在 CVPR 2024 發表，CVPR 是電腦視覺領域的重要會議之一。

真正的實測才使它不只是一個基準分數。一個 Chrome 擴充功能在四個羅盤方向各截一張螢幕截圖，把圖片送給模型，然後標出它的猜測。在 Competitive Duels 中的 458 場對戰裡，它擊敗了各種技術水準的玩家。作者甚至加入了一個可選的隨機延遲，讓每次猜測前都有停頓，使它的行為「看起來更像人類」。

中位數與平均數要一起看。它有一半的猜測落在約 44 公里內，但平均誤差是 252 公里：超過二十分之一的猜測偏離了 750 公里以上，這些偏離的猜測把平均值往上拉。作者也坦承了天花板：包括他們自己的系統在內，今日的系統都無法可靠地做出街道層級的預測。

通用型 AI 也加入了。2025 年 4 月，Master I 等級的玩家 Sam Patterson 與 OpenAI 的 o3 進行了五回合的 No Move 對戰，每回合只給模型兩張相隔 90 度的螢幕截圖。o3 以 23,179 比 22,054 獲勝，並且正確說出全部五個國家。同月，一份給 o3 用的 1,100 字「GeoGuessr 提示詞」爆紅，不過2026 年一項針對 200 張照片的測試發現，它的表現並不比一份簡短的提示詞更好。

發布的模型是用 400,000 張影像訓練的：來自 100,000 個隨機 GeoGuessr 地點，每個地點四個視角。以下是整個流程，一步一步地說明，但不提數學。

1. Step 1把畫面轉換成數字PIGEON 取得四張相隔 90 度的影像，涵蓋完整的 360 度視野。OpenAI 的 CLIP（一種最初被訓練用來把圖片與文字配對的模型）把每張影像轉換為嵌入向量，再把四個向量平均成一個地點的總結。
2. Step 2從說明文字學習地理在主要訓練之前，模型先學習了與生成說明文字配對的影像，例如「在這個地點，人們靠道路左側行駛」和「這個地點屬於溫帶海洋性氣候」。這些說明把模型推向對定位重要的特徵。
3. Step 3選擇 geocell，而不是座標PIGEON 不直接預測緯度與經度，而是把場景歸入 2,203 個 geocell 之一。這些 cell 依真實的行政邊界劃分，合併到每個 cell 都有足夠的訓練樣本為止，過大的 cell 則透過分群切開。
4. Step 4對大幅偏離給予更重的懲罰在訓練期間，與正確 cell 相鄰的 cell 會獲得部分分數，並依距離加權。模型因此學到，一次接近的失誤勝過一次遙遠的失誤，這與 GeoGuessr 的計分邏輯相同。
5. Step 5在最佳候選中再精修最後，它取最可能的五個 geocell，把畫面與其中訓練地點的群集做比較，並把定位點移到最接近的配對上。作者把這個檢索步驟描述為該領域的首創。

沒有人告訴模型什麼是護柱。作者發現，它仍然學會了「線上 GeoGuessr 指南中教授的策略」，會注意植被、道路標線、電線桿與標示。這些和人類的國家線索檢查表屬於同一類線索。至於一般照片而不是全景圖，其推理方式就是我們關於 AI 地理定位的說明所闡述的那一套。

• 決策時間。Patterson 通常在一兩分鐘內猜完，常常在 10 秒內。o3 幾乎總是需要超過 2 分鐘，而且有一次超過 6 分鐘。在 Duels 中，一位玩家的猜測可能只留給對手 15 秒，因此花好幾分鐘思考是真正的劣勢。
• 知道什麼最重要。他的結論是，人類非常擅長判斷什麼最重要，而模型做了許多不必要、重複的裁切，並且「多次被廣告分心」。
• 為了更好的線索而移動。PIGEON 的機器人判斷的是四張固定的影像。它的人類對手還能在場景中移動，論文本身也指出，這讓他們有更多資訊可以修正猜測。

不要對這份清單過度解讀。在約 20 回合的測試之後，Patterson 把 o3 評為與 Master I 或更高等級的玩家相當。人類的優勢在於遊戲的進行方式，而不是知道得更多。

Patterson 備有一副記憶卡片，上面有數百條關於道路線、電線桿、護柱與車牌的記錄，他也直白地說明了這個差距：「這些模型所記住的東西，超過任何一個人的心智能夠記下的。」這就是真正的優勢。人類必須專精，模型則不需要。

弱點是可以預測的。PIGEON 只從 GeoGuessr 的地點中學習，所以它從未見過 Street View 未涵蓋的地方。作者也把隧道、水域、暗淡的場景與森林列為它最難處理的影像，而且隨著人口密度降低，它的準確度也會下降。

這段文字涵蓋了兩種 AI。替你玩的機器人是第三方軟體；你貼上螢幕截圖的聊天機器人則是外部的資訊來源。社群規則列出了證實作弊時的三種處罰：

• 排行榜禁令：從官方單人遊戲排行榜移除，並且未來也不得上榜。
• 競技停權：禁止上官方競技與單人遊戲的排行榜。
• 競技禁令：永久禁止參與競技模式，並從官方排行榜移除。

你也可能失去虛擬物品，而且處罰可能延伸到你擁有的每一個帳號。服務條款另外禁止自動化程式與指令碼，並在清單中點名機器人，處罰包括暫時停權或永久封禁。被停權或封禁的玩家無權退款。

那麼 PIGEON 的實驗本身呢？它是在 GeoGuessr 的協助下進行的：論文感謝該公司的技術長協助安排與人類玩家的線上對戰。使這個實驗與作弊有所區別的，是 GeoGuessr 的參與，而不是軟體本身。

1. Step 1乾淨地玩完每一回合不開第二個分頁，不用助理，也不把螢幕截圖傳給聊天機器人。回合測試的是你自己能讀出什麼，而那是唯一值得衡量的東西。
2. Step 2說出你的關鍵線索在放下定位點之前，先說出你最信任的那一項證據。它能把直覺變成一個事後可以檢查的主張。
3. Step 3找出你漏掉的線索揭曉答案之後，找出那個本來應該決定回合結果的細節。我們的練習流程會告訴你該按什麼順序檢查。
4. Step 4問線索，而不是問整回合像「捷克與斯洛伐克的路邊柱子有何不同？」這樣的問題，能教你可以重複使用的知識。把答案當作需要驗證的線索來看：Patterson 發現 o3 對標示與道路線的描述大多正確，但並非總是正確。
5. Step 5用真實照片測試你的技能猜一猜你自己的某張照片是在哪裡拍的，然後與 GeoSpy 的 AI 估計比較。如果檔案中仍有 GPS 資料，它會讀取，所以請先移除位置資訊，否則測試就毫無意義。

最後一步很重要，因為遊戲與真實照片訓練的是同一雙眼睛。你從全景圖中學到的，正是在沒有中繼資料的情況下找出照片位置所依賴的東西。