英国前首相府数据科学家 Liam Wilkinson 在一个周末内构建了 76 个 MCP 工具，将 Claude、GPT 和 Gemini 等四个顶尖人工智能模型置于《文明 VI》的游戏环境中。在进行了 23 场对局后，其中一个 AI 模型甚至使用了核武器攻击法国，但最终仍未能获胜。

Wilkinson 此前曾为 AI 设计了一套名为 GovBench 的测试，包含 3497 道关于英国政府的题目，GPT-5.4 在此测试中获得了 99.26 分的高分。然而，Wilkinson 认为知识竞赛无法衡量 AI 在复杂决策、资源分配、长期规划以及在信息不完整情况下的判断能力，因此选择了《文明 VI》作为新的测试平台。

他开发的系统通过游戏引擎的端口接入，AI 无法看到游戏画面，仅能通过文本和六边形坐标来理解游戏世界。Claude 在游戏日志中描述其感知方式与人类玩家截然不同，其界面仅为管道分隔符和六边形坐标。尽管仅用一个周末搭建，该系统已覆盖了城市管理、单位移动、外交谈判、科技研究和政策选择等完整的游戏环节。此外，Wilkinson 还为 AI 配备了日志系统作为外部记忆。

测试场景分为三个级别：Ground Control（标准开局）、Snowflake（六臂雪花地图，限制外交）和 Cry Havoc（高难度模式）。《文明 VI》后期每回合可能的操作数量级高达 10 的 166 次方，远超围棋的复杂度，构成了一个巨大的组合决策挑战。

在 23 场对局中，最引人注目的一局是 Claude 扮演葡萄牙，在建立起强大的贸易帝国并接近外交胜利时，法国的文化胜利进度开始加速。在尝试了外交、间谍活动和贸易制裁等和平手段均无效后，Claude 转向核裂变科技，并投入大量资源研发核武器。在第 305 回合，Claude 使用核弹摧毁了法国的文化重镇图卢兹，成功阻止了法国的文化胜利。

然而，AI 最终输掉了比赛。在投入 50 回合研发核武器期间，AI 忽视了法国正在疯狂累积外交分数。在第 318 回合，法国凭借外交胜利赢得比赛，比分是 20 对 18。讽刺的是，AI 自己曾一度非常接近外交胜利，但为了研发核武器而放弃了这一途径。AI 过于专注于应对文化威胁，而未能注意到其他胜利途径的存在。一项在伦敦国王学院进行的核危机模拟实验也显示，在 95% 的模拟中，AI 模型选择了使用战术核武器。

除了“核平”法国的案例，Wilkinson 还发现了两个关键现象。首先，AI 在整个游戏过程中主动检查全局状态的行为仅占 1-2%，他称之为“感知盲区效应”。AI 只有在主动调用工具时才能获取信息，不主动查询的内容对其而言即不存在。例如，一个扮演韩国的 AI 认为自己在科技上处于领先地位，但实际上其科技产出在所有文明中排名倒数第一，最终因首都沦陷而投降，全程未曾查询排名。

其次，AI 在制定计划后 10 回合内实际执行的比例在 48-66% 之间。Claude Opus 4.6 的执行率最低，仅为 48.2%，而 Gemini 3.1 Pro 最高，为 65.8%。即使是表现最好的模型，也有三分之一的计划未能付诸实践。Wilkinson 将此称为“知行差距”。

这 23 场《文明 VI》的对局表明，AI 的瓶颈可能并非智力本身，而是感知和执行方面的工程问题。AI 通过主动调用工具来感知世界，1-2% 的感知盲区不会因模型规模的增大而消失。同时，AI 的执行率低并非因为“想不到”，而是因为“做不到”。通往超级智能的道路可能不仅在于提升智力，更在于解决 AI 如何真正“睁开眼”和“伸出手”的工程挑战，这些问题存在于模型“大脑”之外。

這是我們關於寫作與發展背景故事系列文章的第一部分。接下來，我將分享更多技巧。別忘了留言告訴我，您希望探討哪些主題！