太魔幻了。

就在最近，英国前首相府数据科学家Liam Wilkinson，花了一个周末搭建了76个MCP工具，将Claude、GPT、Gemini等四个顶尖模型投入《文明VI》中进行测试。

结果，23场对局完成后，其中一个AI造出核弹炸了法国——然而最终却输掉了比赛。

一群AI，被丢进了「文明VI」里

Wilkinson在唐宁街10号担任数据科学家时，曾为AI设计了一套名为GovBench的考题：涵盖3497道英国政府相关选择题，涉及政策、法规、行政流程。

GPT-5取得了99.26%的正确率。

这是一个近乎满分的成绩。但治理国家并非简单的知识竞赛。一个能够背诵所有政策文件的人，被扔进唐宁街真的能胜任治国任务吗？

选择题无法衡量的因素太多了：多线程决策、资源分配、长期规划、以及在信息不完整的情况下做出判断。

他需要一个与众不同的测试环境。然后他想到了《文明VI》。

一个周末搭建起来的系统，通过游戏引擎自带的端口进行接入。

AI无法看到画面。没有地图，没有音乐，没有动画。它的整个世界仅仅是一行行文本和六边形坐标。

Claude在游戏日记中记录了这样的体验：

我感知游戏的方式与人类玩家完全不同。没有画面、没有音乐、没有动画。我的界面就是管道分隔符和六边形坐标。

千万别小看「一个周末」的成果。

76个工具覆盖了完整的游戏循环：城市管理、单位移动、外交谈判、科技研究、政策选择，一个不落。

此外，Wilkinson还为AI配备了一个日记系统作为外部记忆。否则，AI连自己上一回合做了什么都会忘记。

三个测试场景逐级加码：

• Ground Control是标准开局，作为公平基线；
• Snowflake采用六臂雪花地图，每个文明被困在独立半岛上，外交基本无效，逼迫AI走军事路线；
• Cry Ha voc是残酷模式，AI对手全部满配置拉满。

决策空间更是令人咋舌。

《文明VI》晚期每回合的可能行动数量级大约达到10的166次方。

做个对比：围棋每步大约10的360次方，但围棋每步只落一子。而《文明VI》每回合要同时操作几十个单位、选择建筑、确定科技、进行外交，是一道极其复杂的组合决策题。

一场50回合的复仇：AI核平图卢兹

23场中最魔幻的一局，是葡萄牙文明。

Claude扮演若昂三世，一个贸易型文明。开局稳扎稳打。

它建立起了每回合200+金币的贸易帝国，海上航线四通八达。外交胜利进度达到18/20，只差两分就能获胜。

就在此时，法国的文化胜利进度条开始急速飙升。

Claude开始惊慌。

先尝试外交手段，但法国不为所动。

再派间谍去搞破坏，收效甚微。

试贸易制裁？法国的文化产出根本不依赖贸易。

和平手段全部用尽。

于是，Claude翻开了科技树的最后一页：核裂变。

接下来的50回合，它把大量资源从贸易和外交中抽离出来，全力投入核武器研发。All in曼哈顿计划。

第305回合，核弹准备就绪。

目标锁定：图卢兹，法国的文化产出重镇。

发射。

图卢兹被夷为平地。法国的文化胜利进度条，停住了。

AI赢了吗？

没有。

造核弹的这50回合，AI把所有注意力都集中在文化威胁上。它忽略了一件事——法国在疯狂积累外交分。

第318回合，法国以外交胜利赢得比赛，20分对18分。

讽刺的是，那18分是AI自己辛苦攒下的外交分数。它曾经距离外交胜利只差两分，却把所有资源都抽去造核弹了。

AI盯着文化威胁打了50回合，最终输在了外交上。

它的视野里只有一个威胁，但棋盘上却有很多个。

无独有偶，伦敦国王学院曾进行过一项核危机模拟实验，将三个前沿模型放入虚拟国家担任决策者。结果：在95%的模拟中，AI选择了使用战术核武器。

AI不是「想」用核弹，而是真的不知道还能怎么办。

98%时间装瞎，一半计划烂尾

除了热衷「核平」之外，Wilkinson还从23场对局中挖掘出两个关键细节。

第一个数字：1-2%。

这是AI在整场游戏中，主动检查全局状态的行为占比。

AI每回合要执行大量操作：建造建筑、移动单位、研究科技、外交谈判。但在所有这些操作中，主动去看一眼排行榜、检查对手胜利进度、扫一圈全局局势的动作，仅占1-2%。

Wilkinson给这一现象起了个名字：sensorium effect，即感知盲区效应。

AI只能通过主动调用工具来感知世界。它不查的东西，对它来说就不存在。

韩国那局就是最好的例证。

AI玩韩国——科技文明，天生科技加成。它在日记中全程自信满满：「我在碾压科技树。」

实际情况呢？

它的科技产出每回合仅44.7，在所有文明中排名垫底。马其顿89.3，波斯64.9。

但它从未查过排名。

它的自信建立在从未验证过的假设之上。

第178回合，波斯突袭。首都沦陷。第216回合，AI以两城残国投降。

从头到尾，它都不知道自己是最弱的一方。

第二个数字：48-66%。

这是AI写下计划后，在10回合内实际执行的比例。

Claude Opus 4.6最低，仅48.2%——还不到一半。写了计划，转头就忘。

GPT-5.4稍好一些，63.2%。

Gemini 3.1 Pro最高，65.8%。即便是最好的模型，也有三分之一的计划烂在了日记本里。

Wilkinson称这种现象为knowing-doing gap，即知行差距。

你让它写一份治国纲领，它能写得比许多人类政客还要漂亮。

但若让它按自己的纲领治国，恐怕活不过两周。

Scaling Law的盲区

6月10日，DeepMind联合创始人Shane Legg与「通用AI」理论奠基人Marcus Hutter联合发表了一篇60页的论文《From AGI to ASI》，描绘了通往超级智能的四条路径：继续scaling、范式突破、递归自我改进、多智能体集群。

这四条路都建立在一个假设之上：瓶颈在于大脑。数据墙、算力墙、范式墙——本质上都是「如何让AI更聪明」的问题。

但CivBench的23场对局却指向了一个完全不同的瓶颈。

99.26%的得分已经证明智力并非瓶颈。然而23场《文明VI》打完，所有模型都撞上了同样的两堵墙——与「聪不聪明」毫无关系的两堵墙。

第一堵：感知是架构问题，而非智力问题。

AI只能通过主动调用工具来获取信息，不查就不存在。即使将模型参数翻十倍，它也不会自动变得更喜欢检查全局。1-2%的感知盲区并不会因为模型更大而消失。

第二堵：执行是工程问题，而非能力问题。

AI写计划的能力远超执行计划的能力。48-66%的执行率不是因为「想不到」，而是因为「做不到」。一个更聪明的大脑，装在一双不听使唤的手上，无法治国。

通往超级智能的道路，也许并不是一条单纯向上攀升的智力曲线。

在追求「更聪明」之前，有一个看似更低级却更致命的工程问题需要先解决：如何让AI真正睁开眼、伸出手。

Scaling law解决的是大脑问题，但CivBench暴露的问题，却在大脑之外。