顶尖AI打《文明6》造核弹却输了，暴露大模型致命短板

23场对局，造出核弹把法国首都炸成平地，结果还是输了。这听起来像段子，却是英国前首相府数据科学家Liam Wilkinson周末爆改《文明6》测出的真实战况。他把Claude、GPT等四个顶尖大模型扔进游戏，搭了76个工具让AI接管全局。在这个没有画面和动画，只有管道分隔符和六边形坐标的纯文本世界里，AI每回合面临的决策组合高达10的166次方。 最魔幻的一局里，Claude扮演葡萄牙，开局稳扎稳打建起贸易帝国，外交胜利进度一度冲到18/20。眼看法国文化胜利进度条飙升，Claude慌了，和平手段穷尽后直接翻开科技树最后一页。接下来50个回合，它把资源全抽去搞曼哈顿计划，第305回合成功核平法国文化重镇图卢兹。 核弹确实停了法国的文化进度条，但AI赢了吗？并没有。在这死磕核武器的50回合里，它完全没注意到法国在疯狂攒外交分。第318回合，法国以20比18的外交分数拿下比赛。AI盯着单一威胁打了半个世纪，却输在了自己曾经领先的外交局里。 这场荒诞的核平复仇，扯下了大模型最尴尬的一块遮羞布。我们总以为堆算力、拼参数就能通向超级智能，但这场惨败证明，智力根本不是唯一瓶颈。当AI在复杂决策局里连全局状态都懒得看一眼，写出的战略计划执行率不到一半时，再聪明的大脑也治不了国。在教AI怎么毁灭世界之前，我们得先教它们怎么睁开眼看清棋盘，伸出手把事干成。 做选择题拿满分，真扔到复杂决策局里连两周都活不过。这就是顶尖大模型眼下的尴尬处境。 Wilkinson之前搞过一套包含3497道题的英国政府政策题库，GPT-5直接考了99.26分，妥妥的满级做题家。但治国不是背书，选择题根本测不出多线程决策和长期规划。把它扔进《文明6》这个需要眼观六路的真实考场，学霸直接原形毕露。 最离谱的是AI严重的感知盲区。它每回合忙着造建筑、搞外交，但主动看一眼排行榜、查查对手进度的动作，只占全部操作的1%到2%。不主动查的东西，对它来说就不存在。玩韩国那局最搞笑，AI在日记里全程吹嘘自己科技碾压，实际上科技产出排倒数第一。直到第178回合首都沦陷，它都不知道自己是最弱的那个，最后两城残国直接投降。 另一个大坑是知行差距。让AI写份治国纲领，它写得比很多人类政客都漂亮。但写完转头就忘。数据显示，AI写下计划后10回合内的实际执行率只有48%到66%。连表现最好的模型也有三分之一的计划烂在日记本里。 满脑子都是宏大战略，手脚却根本不听使唤。政策题库考满分没用，真扔进复杂决策局，这种不睁眼、不动手的AI根本玩不转。通向超级智能的路上，光长脑子不够，得先治好这严重的工程残疾。 咱们来看看这23场对局里最让人啼笑皆非的一局。Claude扮演葡萄牙，开局可以说是天胡。它稳扎稳打建起海上贸易帝国，外交胜利进度一路狂飙到18/20，距离赢下比赛就差两分。 眼看法国的文化胜利进度条开始飙升，这个满级做题家慌了。它试着搞外交、派间谍、弄贸易制裁，发现全都没用。于是，Claude直接翻开科技树最后一页，决定All in曼哈顿计划。 接下来的50个回合，它像疯了一样把资源从贸易和外交里抽出来，全砸进核武器研发。第305回合，核弹就绪，它直接把法国的文化重镇图卢兹夷为平地。法国的文化进度条确实停了，AI以为自己能绝地反击。 结果呢？法国转头靠疯狂攒外交分，在第318回合以20比18拿下了比赛。讽刺的是，那18分还是葡萄牙AI开局自己辛苦攒下的老本。它为了防文化胜利，把原本能赢的外交局给硬生生作死了。 这就暴露出大模型在感知架构上的致命短板。AI的视野里死死盯着那个飙升的文化威胁，却对法国偷偷攒外交分的动作视而不见。它不是不想赢，而是它的感知机制决定了它只能处理主动调用的信息，不查的东西对它就不存在。 参数规模再大，也掩盖不了这种顾此失彼的工程缺陷。一个连全局状态都看不全、执行起来顾头不顾尾的AI，就算脑子转得再快，也注定在复杂决策里翻车。通向超级智能的路上，咱们得先教这些偏执狂怎么睁开眼看清整个棋盘，而不是由着它们闭着眼睛扔核弹。 闭着眼睛狂奔，正是这批顶尖AI在整场游戏里的常态。Wilkinson从23场对局里扒出一个让人哭笑不得的数据：AI主动检查全局状态的行为占比，只有可怜的1%到2%。剩下的98%时间，它们都在低头处理局部任务，完全不看大环境。不主动调用工具去查的东西，对AI来说就等于不存在。 拿韩国那局来说，简直是把这种装瞎演绎到了极致。韩国在游戏里是自带科技加成的文明，AI在日记里一路狂吹，笃定自己正在碾压科技树。可它压根没去查过排行榜。实际数据惨不忍睹，它的科技产出每回合只有44.7，全场垫底。对比一下马其顿的89.3和波斯的64.9，简直没眼看。 这种迷之自信全建立在没验证过的幻觉上。直到第178回合波斯大军兵临城下，首都直接沦陷，它才被迫面对现实。到了第216回合，AI只能带着两座残城屈辱投降。从头到尾，它都没意识到自己才是全场最弱的那个。 这根本不是什么智力不够，而是感知架构的底层缺陷。你把模型参数翻十倍、百倍，它也不会突然变得爱看全局。1%到2%的感知盲区，靠堆算力根本填不平。通向超级智能的路上，如果AI连睁开眼看看周围环境的机制都没做好，再聪明的脑子也只是个闭眼狂奔的瞎子。先教它们学会感知真实世界，比盲目追求参数规模紧迫得多。 就算偶尔睁开眼看清了局势，真让这帮大模型动手干活，表现照样让人没眼看。Wilkinson从对局里扒出另一个扎心数据：AI写下战略计划后，10回合内的实际执行率只有48%到66%。 拆开来看更是惨烈。Claude Opus 4.6执行率最低，只有48.2%，连一半都达不到。GPT-5.4勉强算63.2%，表现最好的Gemini 3.1 Pro也就65.8%。哪怕是这些顶尖模型，也有三分之一的宏大计划直接烂在了日记本里，写完转头就忘。 这帮AI写起战略规划来一套一套的，逻辑和文笔比唐宁街的政客漂亮多了。可一旦进入执行环节，直接拉胯。研究者管这叫知行差距。让AI写份治国纲领它能拿满分，真让它按自己的纲领去治国，估计连两周都活不过。 这根本不是智力或者参数规模的问题，而是纯粹的执行落地工程缺陷。大脑转得飞快，手脚却根本不听使唤。以前我们总盯着怎么让AI更聪明，现在得认清现实，一个连自己定下的计划都执行不到一半的AI，根本担不起复杂决策的重任。通向超级智能的路上，光长脑子没用，先治好这手脚笨拙的工程残疾，把事干成，比盲目堆算力紧迫得多。 游戏里写好的计划执行不到一半，顶多是输掉一局《文明6》，但在现实物理世界，手脚笨拙的AI可是要出人命的。把视线从六边形棋盘拉到马路上，特斯拉最近就首起FSD行人致死案达成和解。美国国家公路交通安全管理局直接将调查升级至工程分析，一口气覆盖了全美320万辆配备FSD的车辆。 这可不是简单的公关危机。FSD在实验室里跑分、在模拟器里预测，数据漂亮得像满级做题家。可一到真实的物理世界，面对突然窜出来的行人、错综复杂的路口，它的执行系统就跟不上聪明的大脑了。这跟游戏里那些写得出宏大战略却连一半计划都落地不了的AI如出一辙。大模型在云端能算出最优的行驶轨迹，但真到了需要微调方向盘、紧急踩下刹车的那零点几秒，工程落地上的感知盲区和执行延迟就会要命。 以前行业里总觉得，只要算力堆得够高，模型参数够大，自动驾驶的长尾问题就能被暴力破解。现在看看这320万辆被拉进调查名单的车，现实狠狠打脸。通向超级智能的瓶颈，真不是大脑不够聪明，而是感知架构和执行落地的工程账根本没算明白。 AI得先学会在物理世界里真正睁开眼看清路况，伸出手稳稳握住方向盘。连基本的物理交互都做不到安全兜底，参数堆得再高也只是个危险的半成品。 现在整个行业都陷入了一种算力崇拜，总觉得只要参数堆得够多，通往超级智能的路就能被暴力破解。前阵子DeepMind发论文画了四条通往AGI的路径，底层逻辑全押在怎么让AI大脑更聪明上。但《文明6》里那些闭眼扔核弹的惨案，加上特斯拉FSD在现实里闹出的人命官司，直接把这种唯参数论的迷信按在地上摩擦。 感知盲区和执行拉胯，从来都不是智力问题，而是底层架构和工程落地的硬伤。你把模型参数翻十倍、百倍，它该装瞎还是装瞎，该烂尾的计划照样烂尾。大脑转得飞快，装在一个没有感知反馈、执行不听使唤的躯壳里，照样是个高级**。通向超级智能的真正瓶颈，早就不是云端里那个越来越大的大脑，而是怎么给这个大脑配上能看清现实的眼睛和能干活的手。 别再迷信大力出奇迹了。在教AI怎么思考宇宙终极问题之前，先让它们学会在物理世界里安全地睁开眼、稳稳地伸出手。把感知闭环和执行落地的工程账算明白，让AI真正能把事干成，比在跑分榜单上死磕那几个小数点紧迫得多。