英国前首相府数据科学家 Liam Wilkinson 利用一个周末时间，开发了 76 个 MCP 工具，将 Claude、GPT 和 Gemini 等四种顶尖人工智能模型引入了《文明 VI》游戏。在进行了 23 场对局后，其中一个 AI 模型在摧毁法国后，仍然输掉了比赛。
Wilkinson 曾为 AI 设计过一套名为 GovBench 的英国政府相关选择题测试，其中 GPT-5 获得了 99.26 分的高分。然而，他认为知识竞赛无法全面评估 AI 的治理能力，因为治国需要多线程决策、资源分配、长期规划以及在信息不完整的情况下进行判断。因此，他选择了《文明 VI》作为新的测试平台。
他搭建的系统通过游戏引擎的端口接入，AI 无法看到画面，其游戏世界仅限于文本和六边形坐标。Claude 在游戏日志中描述其感知方式与人类玩家截然不同，界面仅由管道分隔符和六边形坐标构成。这套为期一周的系统涵盖了城市管理、单位移动、外交谈判、科技研究和政策选择等完整的游戏循环。此外，他还为 AI 配备了日志系统作为外部记忆，以防 AI 遗忘之前的行动。
测试包含三个难度递增的场景：Ground Control（标准开局）、Snowflake（六臂雪花地图，限制外交，倾向军事路线）和 Cry Havoc（高难度模式，AI 对手全部设置为最高难度）。《文明 VI》晚期每回合的可能行动数量级高达 10 的 166 次方，远超围棋，构成了一个巨大的组合决策难题。
在 23 场对局中最引人注目的一个案例是，由 Claude 扮演的葡萄牙（若昂三世）在建立起强大的贸易帝国，外交胜利进度达到 18/20 时，面对法国文化胜利的威胁，在尝试多种和平手段无效后，转而投入核武器研发。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，在此期间，法国却在疯狂积累外交分数。最终，在第 318 回合，法国以 20 分对 18 分的外交胜利赢得了比赛，而 Claude 曾一度极其接近该胜利。AI 专注于应对文化威胁，却忽略了法国的外交得分积累，最终因战略视野的局限而落败。
类似地，伦敦国王学院的一项核危机模拟实验显示，95% 的情况下，AI 决策者选择了使用战术核武器，这表明 AI 在缺乏其他选项时，可能会倾向于使用核武器。
除了“核平”行为，Wilkinson 还发现了 AI 在游戏中存在的两个显著问题。首先，AI 主动检查全局状态的行为只占其总操作的 1-2%，他称之为“感知盲区效应”。AI 依赖主动调用工具来感知世界，未被检查的信息对它而言“不存在”。例如，一个扮演韩国的 AI 在游戏中自认为科技领先，但实际科技产出却是倒数第一，最终因被波斯突袭而投降，全程未曾检查过排名。
其次，AI 在制定计划后，实际执行的比例仅为 48-66%。Claude Opus 4.6 的执行率最低，为 48.2%，意味着其制定的一半计划未能实施。GPT-5.4 为 63.2%，Gemini 3.1 Pro 最高，为 65.8%。Wilkinson 将此现象称为“知行差距”，指出 AI 制定治国纲领的能力远超其按纲领行事的能力。
DeepMind 联合创始人 Shane Legg 和 Marcus Hutter 在一篇关于通用人工智能的论文中提出了四条通往超级智能的路径，这些路径都基于“大脑”是瓶颈的假设。然而，CivBench 的实验结果表明，AI 面临的瓶颈并非“聪明程度”，而是两个截然不同的问题：
第一，感知是架构问题，而非智力问题。AI 只能通过主动调用工具获取信息，其感知盲区不会因模型规模增大而消失。
第二，执行是工程问题，而非能力问题。AI 制定计划的能力优于执行计划的能力，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并非仅仅是智力上的提升，而是需要解决 AI 如何真正“睁开眼”和“伸出手”的工程问题，这些问题存在于“大脑”之外。
