In diesem Artikel stellen wir die Arcade Learning Environment (ALE) vor: sowohl ein Herausforderungsproblem als auch eine Plattform und Methodologie zur Bewertung der Entwicklung allgemeiner, domänenunabhängiger KI-Technologien. ALE bietet eine Schnittstelle zu Hunderten von Atari 2600-Spielszenarien, von denen jedes anders, interessant und für menschliche Spieler herausfordernd gestaltet ist. ALE stellt erhebliche Forschungsherausforderungen in den Bereichen des Reinforcement Learnings, Modell-Learnings, modellbasierter Planung, Imitations-Learnings, Transfer-Learnings und intrinsischer Motivation dar. Von größter Bedeutung ist jedoch, dass es eine strenge Testumgebung zur Bewertung und Vergleich von Ansätzen zu diesen Problemen bereitstellt. Wir verdeutlichen das Potenzial der ALE durch die Entwicklung und Benchmarking domänenunabhängiger Agenten, die mit etablierten KI-Techniken sowohl für Reinforcement Learning als auch für Planung konzipiert wurden. Dabei schlagen wir auch eine durch ALE ermöglichte Evaluationsmethodologie vor und berichten über empirische Ergebnisse aus über 55 verschiedenen Spielen. Die gesamte Software, einschließlich der Benchmark-Agenten, ist öffentlich zugänglich.