最近，一场魔幻的AI实验刷屏了：前英国首相府数据科学家Liam Wilkinson，花一个周末搭建了76个MCP工具，把Claude、GPT、Gemini等四个顶尖AI模型扔进《文明VI》里对战。结果23场对局下来，其中一个AI造了核弹炸了法国——然后还是输了。这背后暴露了AI在复杂决策中的哪些短板？对你选AI工具有什么启发？我们一起来看看。
实验怎么玩的？76个MCP工具+文本界面
Wilkinson在唐宁街10号做数据科学家时，曾给AI出过一套GovBench考题（3497道英国政府选择题），GPT-5考了99.26分。但他意识到：治国不是知识竞赛。于是他选了《文明VI》作为新考场。
他花一个周末搭建了系统：通过游戏引擎端口接入，AI看不到画面、地图、音乐、动画，整个世界就是一行行文本和六边形坐标。76个MCP工具覆盖了城市管理、单位移动、外交谈判、科技研究、政策选择等完整游戏循环。AI还配了一个日记系统当外部记忆，否则连上一回合干了什么都记不住。
四个参赛AI分别是：Claude、GPT（具体版本未公布，推测为GPT-4或更新）、Gemini，以及另一个未具名模型。它们进行了23场对局。
高光时刻：Claude造核弹炸法国，结果输了
最戏剧性的一幕来自Claude。在一局游戏中，它造出了核弹，并瞄准了法国文明——然后发射。核弹成功摧毁了法国部分城市，但Claude最终并没有赢得那局游戏。Wilkinson在博客中写道：“AI学会了造核弹，但没学会怎么赢。”
其他AI的表现也各有槽点：有的疯狂造兵却忘了发展科技，有的在外交上反复无常导致被围攻，还有的干脆在早期就卡在资源分配上动弹不得。23场对局中，没有任何一个AI表现出接近人类玩家的策略水平。
这场实验暴露了AI的哪些决策弱点？
Wilkinson总结了几点关键发现：
- 多线程决策能力差：AI擅长单一任务，但《文明VI》需要同时管理城市、军队、外交、科技等多个维度，AI经常顾此失彼。
- 长期规划不足：AI能执行短期战术（比如造核弹），但缺乏跨越数十回合的战略规划，比如提前布局胜利条件。
- 不完整信息下判断力弱：游戏中的“战争迷雾”让AI无法看到全局，它经常做出冒险决策，比如在兵力劣势时宣战。
- 外交策略幼稚：AI的外交行为更像随机触发，而非有目的的博弈，导致频繁被AI玩家孤立。
这些弱点其实也反映在现实场景中：比如你用AI写代码，它可能写出一个功能，但缺乏对整体架构的考虑；用AI做数据分析，它可能算出结果，但不会告诉你这个结果在业务上是否合理。所以，选AI写代码时，不能只看它能不能生成代码，还要看它能否理解项目上下文。
四大AI在《文明VI》中的表现对比
| AI模型 | 核弹使用 | 外交能力 | 长期规划 | 最终排名（平均） |
|---|---|---|---|---|
| Claude | 造了核弹并发射 | 一般 | 弱 | 3-4名 |
| GPT | 未造核弹 | 较好 | 中等 | 1-2名 |
| Gemini | 未造核弹 | 差 | 弱 | 3-4名 |
| 其他模型 | 未造核弹 | 差 | 弱 | 4名 |
注意：GPT在部分对局中表现相对较好，但整体仍远逊于人类玩家。这提醒我们，Claude和ChatGPT哪个好，不能只看单一测试，要看具体场景。
避坑/注意：别让AI替你“治国”
这场实验虽然有趣，但也要注意几个点：
- 实验条件有限：只打了23局，样本量不大，且AI版本未公开，结论仅供参考。
- 文本输入限制：AI只能看文本坐标，无法像人类一样直观感受地图，这本身是劣势。
- 别过度解读：AI在游戏里表现差，不代表它在其他任务上也不行。比如AI翻译、文档分析等任务，AI已经非常强。
所以，如果你想让AI帮你做决策，最好给它明确、具体的任务，而不是让它全权代理。比如用AI写代码，你可以让它写某个函数，而不是让它设计整个系统。
国内怎么开通这些AI会员？
看完实验，你可能想亲自试试这些AI模型。但国内用户常遇到支付问题：海外信用卡、账单地址验证等。好消息是，通过ChatGPT Plus代充、Claude Pro代充等服务，你可以用支付宝或微信支付，人民币结算，免去海外卡烦恼。价格方面，以官方为准，随汇率浮动，通常比直接充值略高一点，但省去了折腾的麻烦。
如果你对多个AI感兴趣，也可以考虑AI会员省钱组合，按需搭配，避免重复订阅。比如你主要写代码，可以开Cursor Pro；如果做翻译和长文档分析，Claude Pro更合适。
信息来源:www.ithome.com。本文为基于公开资讯的原创整理与解读,非原文转载。