「血量只有快沒有的時候才是有用的資源」，AI大人。
上個星期，加拿大Vector研究所與荷蘭Radboud大學的研究人員在論文預印本平台arXiv上發布了一項最新研究，論文題為《SpireBench：用〈殺戮尖塔〉評估智能體模型的長期戰略能力》。
顧名思義，這項被命名為"SpireBench"的研究，目的在於通過知名肉鴿卡牌構築遊戲《殺戮尖塔》，來測試當前的大語言模型能否在頻繁應對戰鬥的同時做出長線規劃——選擇路線、管理資源、構築牌組。AI們將一路爬塔，最終嘗試實現通關這個終極目標。
這並非第一次"讓AI打《殺戮尖塔》"的實驗。不過此前的相關測試都有明顯的縮水：有的只用了8張牌和5個孤立戰鬥場景，測的是微操而非完整對局；有的雖然驅動了真實遊戲，但難度選在最低的A0，模型只負責戰鬥出牌和選卡牌獎勵，不涉及路線規劃、商店購物、營火決策等其他抉擇。
所以這次使用20個大模型測試遊戲頂級難度A20的「SpireBench」，算是頭一次使用多模型，挑戰《殺戮尖塔》完整原作最高難度的系統性研究。
根據實驗結果，20個大模型統一使用鐵甲戰士角色，各自開到最高推理檔位，在A20難度下挑戰了相同的10個全新種子。攏共200局遊戲下來，最終只有GPT-5.6 Sol作為獨苗，通關了一次心臟。
通關率如此慘澹，研究發現一大重要因素在於：AI實在是太穩健了。
1
在解釋AI為什麼輸之前，需要先解釋一下《殺戮尖塔》對於AI難在哪裡。
眾所周知，在一眾知名肉鴿遊戲中，《殺戮尖塔》對玩家資源管理水平的考驗是最嚴格的，或許沒有之一。玩家需要精準把控自身的血量，進而以此獲取卡牌、藥水、遺物，構築相應的BD套路，應對不同的挑戰。尤其在高難度下，浪費一次微小的資源幾乎就意味著死亡。
這次研究進一步把遊戲拆分為五層時間維度：每一回合，AI要思考出哪些牌，什麼順序，打哪個敵人；每場戰鬥，AI要思考怎樣用血量和藥水換取勝利；每一階段，AI要思考走哪條路線，承擔多大風險；每整局，AI要思考自身的成長速度能否跟上遊戲難度的增長；多局之間，AI要思考有什麼值得記住，幫助自己更好地通關。
其中難點在於，遊戲沒有所謂的標準答案。有經驗的玩家想必深有體會，前期拿的戰力卡能救一時之急，後期卻可能阻礙卡組啟動；打精英怪可能暴斃，同時也可能獎勵強力的遺物或卡牌；不同的敵人類型，考驗卡組的不同能力……《殺戮尖塔》把大大小小的挑戰濃縮在一局遊戲中，戰鬥中的操作、構築牌組的規劃、選路線和管理資源的宏觀戰略，層層嵌套，牽一髮而動全身。
當下的大模型用來執行即時任務往往表現得不錯，但其能不能在幾百個決策點上保持連貫的戰略判斷？能不能權衡眼前小虧和長遠大利？能不能從失敗中學到東西？
實驗結果顯示，表現最好的四個模型分別是Claude Fable 5.1（平均通過1.6個階段）、GPT-6 Astra（1.5個階段）、Claude Opus 5（1.3個階段）和GPT-5.6 Sol（1.1個階段），這些最聰明的AI超越了人類玩家的平均水平，但和真正的高手相比顯然還存在不小的距離。
所以《殺戮尖塔》給出的答案是：AI的長期戰略能力，暫時還得練。
2
問題出在哪裡？最顯著的就是AI太過穩健，以至於到了「慫」的地步。
實驗選取了4位高手遊戲主播的逐局數據作為對比，發現AI在第一幕平均只打約0.9—1.4場精英戰，主播約為2.6場；AI在57%—75%的營火選擇回血，高手約為9%。即使抵達營火時血量仍有七成以上，模型也會在31%的情況下選擇休息——相同情況下所有主播均選擇升級卡牌。
這就導致，AI往往帶著滿血、卻較弱的卡組進入BOSS房。例如上述「最強」的四個模型，進入第一階段BOSS戰時，血量往往處於上限的90%左右，而主播這個時候大多只剩半血，同時卻擁有更強力的遺物和升級過的卡牌，損失的血量轉化成了後續戰鬥的優勢。
以人類玩家數據為例，採取保守策略（少打精英、多休息）的玩家在第二階段只有15%的通關率，而積極打精英的玩家則有38%。這一定程度解釋了AI通關率低的原因。
不僅如此，AI還有一個"攢牌"的壞習慣。戰鬥勝利後的卡牌獎勵，人類玩家考慮到最終的卡組構建，會跳過23%（因為並非每張牌都值得拿），而AI只跳過3%-13%，導致牌組越來越臃腫。數據顯示，第一階段BOSS戰時，AI的牌組平均有19.3張牌，人類只有16.8張——而在《殺戮尖塔》中，一副臃腫的牌組通常意味著你想要的關鍵牌更難抽到。
這些問題綜合到一起，你可能會覺得AI太笨了，壓根玩不來《殺戮尖塔》，但這麼說其實也不準確，事實上，如果僅以第一階段為評判標準，AI已經達到了頂尖高手的水準。
僅看第一階段，高手主播的通關率大概在85%-92%之間，而表現最好的三個模型，在第一階段的通關率也達到了90%，兩者幾乎持平。不過隨著遊戲的進行，第二階段大模型的通關率降到40%-50%，主播還有65%-78%。第三階段大模型通關率進一步跌至0%-20%，主播仍維持56%-71%。到了決定勝負的第四階段（心臟），大模型幾乎「無人生還」，主播們仍是差不多的46%-65%。
換句話說，熟悉遊戲、從一開始就在規劃全局戰略的遊戲玩家，往往會擁有一個十分平滑的勝率曲線，能夠同時兼顧「挑戰」和「發育」。而AI的通關率，則隨遊戲難度的階段性提升呈斷崖式驟降，由於太過重視血量，反而失去了冒險變強的可能。
在這一維度上，所謂的強、弱模型之分，更多體現在具體的每場戰鬥中：最強的四個模型在普通戰鬥中每場只掉8.2點血，最弱的那一檔掉14點；強模型每點能量平均能打出7.5點傷害，弱模型只有5.8點。強模型從來不會「錯斬」，弱模型則有8.7%的概率算漏斬殺。
所以說，即便能夠在每場戰鬥中算無遺策，這些最聰明的AI似乎仍然很難理解什麼是「大局觀」，什麼時候需要「戰未來」。
把戰線進一步拉長來看，實驗還設計了一個"跨局學習"機制。每局結束後，AI可以把自己認為重要的經驗寫進一個"記憶庫"，下一局開始時會讀到這些記憶。10局遊戲按順序組成一個"隊列"，看AI是否能越打越好。
結果研究者人工審核了所有模型的最終記憶庫，發現其中17%的記憶存在事實性錯誤，更糟糕的是，全部記錄在案的記憶中，建議"謹慎行事"的有119條，建議"冒險一搏"的只有17條——AI把自己本來就過度保守的傾向寫進了記憶里，然後被下一局的自己讀到，最後形成了一個"越來越膽小"的循環。
結語
從這次實驗來看，當下最強的幾個模型已經能處理不少複雜的局部戰術，但如何把眼前優勢轉化為整局勝勢，仍是另一道難題。
這也是研究者選擇《殺戮尖塔》的意義。投資決策、項目管理、科學研究這樣更複雜、更充滿不確定性的長線任務，往往也需要提前投入資源，等待很久以後才能兌現收益。一場遊戲或許不足以判定AI能否勝任這些工作，但它至少提供了一個可以反覆觀察的窗口：當回報來得更晚、失敗原因更難追溯時，大模型會怎樣決策，怎樣規劃。
本次測試其實有不少局限。比如只測試了一個角色、10個種子的樣本量不算大、人類玩家也沒有在同一批種子上做對照等等。
但這些局限不妨礙一個核心結論：在需要跨越長時間線做戰略權衡的任務上，AI的能力仍有相當大的提升空間。而且由於當下最強模型距離穩定通關還差得遠，所以可以預見，《殺戮尖塔》在未來很長一段時間內或許還將繼續成為測試的標杆。
因此，各位玩家今後爬塔遭遇失敗時也不必急著生氣，你已經與需要花60美元打一局的最強AI旗鼓相當、甚至強上不少了。
