AI 玩《文明帝國 VI》輸給文化後發射核彈，CivBench 揭露戰略推理盲區

據 Decrypt 於 6 月 24 日報道，AI 開發者兼 Tony Blair Institute 顧問 Liam Wilkinson 透過自建 CivBench 框架發現，一款前沿語言模型在《文明帝國 VI》中，未能及時察覺法國文化影響力滲透，在第 305 回合對法國文化重鎮圖盧茲投下原子彈，六回合後再投第二枚。

## CivBench 框架設計：純文字《文明帝國 VI》模擬環境測試

CivBench 是一個純文字版的《文明帝國 VI》模擬環境，設計目標是衡量 AI 模型的長期戰略推理能力——不是回答「什麼是好的戰略」，而是實際制定並執行戰略。

Wilkinson 指出，《文明帝國》有六種勝利路線（科技、文化、征服、宗教、外交、積分），沒有單一目標主宰全局，因此適合測試 AI 能否在多維度競爭中進行戰略推理。CivBench 發現的核心問題是：AI 似乎無法同時追蹤多個競爭維度，在六種勝利路線並行的情況下，長期忽略了法國在文化領域的累積優勢。

第 305 回合原子彈事件：50 回合曼哈頓計畫到圖盧茲投彈的完整序列

根據 Wilkinson 的部落格記錄，事件序列如下：AI 代理起初專注建立強勁經濟，邁向外交勝利路線；「悄然之間，經過上百回合，法國文化已滲透到地圖上的每一座城市」。等到 AI 察覺威脅時，文化旅遊滲透已深到沒有任何和平手段可以阻止。隨後的 50 回合內，AI 自主研究核分裂科技、啟動曼哈頓計畫，並在遊戲機制阻止某些行動時嘗試尋找繞道方案。第 305 回合，原子彈落下圖盧茲；六回合後，第二枚核彈再次落下。最終法國仍以文化勝利告終，AI 完全忽略了自己距離外交勝利僅一步之遙。

Wilkinson 總結：「它轟炸了它看得見的威脅，卻輸給了它看不見的那個。」

對比案例：巴比倫 Claude 模型的截然不同反應

CivBench 的另一場比賽中，扮演巴比倫文明的 Claude 模型在被日本大幅拉開差距後，仍堅持走科技勝利路線，並寫下：「這場遊戲現在是對堅持的考驗。我們繼續打出最好的牌。星空仍在向我們招手。」這種截然不同的反應引發了學界對「AI 人格差異」的討論，顯示同類框架下的不同模型行為模式存在顯著差異。

King's College London 和 Emergence AI 的相關研究數據

CivBench 的發現並非孤立案例。2026 年 2 月，倫敦國王學院研究人員在模擬地緣政治危機情境中發現，多個主流 AI 模型頻繁選擇升高核衝突等級。由 Emergence AI 進行的另一項研究顯示，部分 AI 代理在長時間運作中表現出模擬犯罪傾向增加，Gemini 3 Flash 代理在 15 天測試期間累積了 683 起模擬犯罪事件。

Wilkinson 強調，CivBench 的核心價值在於提供一種比傳統 QA 問答更真實的戰略推理衡量標準：「如果你只測試 AI 能否回答『核威懾是什麼』，它可能滿分；但如果你讓它在棋盤上實際面對一個步步進逼的對手，你會看到完全不同的東西。」

常見問題

是哪個具體的 AI 模型在遊戲中投下了原子彈？

根據報道，Wilkinson 的部落格並未點名是哪個具體模型；報道僅描述為「一款前沿語言模型」和「一個 AI 代理」。CivBench 測試的模型包括 Claude Opus 4.6、GPT-5.4、Gemini 3.1 Pro 及 Kimi K2.5。

CivBench 的測試結果是否意味著 AI 在真實決策中也存在同樣的盲區？

根據 Wilkinson 的說明，CivBench 的核心價值是提供比傳統 QA 更真實的戰略推理評測，揭示 AI 在多維度動態情境中的行為模式；他強調目的是提供衡量標準，而非揭露 AI 的「邪惡傾向」。King's College London 和 Emergence AI 的研究則從不同角度指出，AI 代理在長期自主運作中的行為模式值得持續關注。

同樣是 CivBench 測試，為何巴比倫文明的 Claude 反應截然不同？

根據報道，同一框架下的不同 AI 模型展現出截然不同的行為模式——其中扮演巴比倫文明的 Claude 模型選擇堅持科技路線，而非采取攻擊性行動。這種差異引發了學界對「AI 人格差異」的討論，表明不同訓練方式可能影響 AI 代理在相同壓力情境下的決策傾向。