论商战,你赢得了AI吗?

解读对象：CEO Arena: Evaluating Long-Horizon Multi-Agent Decision-Making in Competitive Markets

arXiv: 2609.34821（2026-09-28）| DeepWisdom（MetaGPT团队）+ 复旦 + 港中文×2 + 港科大（广州）

MetaGPT 团队的这篇论文很有趣，有趣得我甚至想写两篇文章来讲它。

他们把八个当今最强的大模型放进同一个模拟市场当CEO，各管一家公司打500天商战。结果：九个参赛者里只有三个真正赚到了钱，Claude和豆包还把公司开破产过——而赚钱第二多的那个，自己盆满钵满，却把整个市场的蛋糕做小了。

先介绍下实验规则

这个实验命名 CEO Arena，思路是：让它们在同一个市场里互相伤害。

赛制可以说是庞大：

• 这不是一场比赛，而是一整个联赛。

• 参赛选手9个（8个AI + 1个规则基线），每个"市场"里只有8个座位，也就是八家公司，每家初始资本50万美元，产品分高中低三档，客户分三个人群

• 实验做了9种阵容：①全AI局（8个AI同场）②~⑨分别把8个AI中的一个换成规则基线——这就是"同座替换"

• 9种阵容 × 3个种子 = 27个平行世界，每个世界8家公司

• 所以 27 × 8 = 216个"公司结局"，每个AI实际出场 8种阵容 × 3种子 = 24次，战绩表的分数是它24次的平均分。

每场比赛规则也设计得尽量贴近现实：

• 每7天开一次决策窗口，CEO可以调价、采购、投广告、上研发、扩产能、投标企业订单、买市场报告

• 钱是有限的，需求也是有限的——客户会货比三家，还可能干脆不买

• 反馈是延迟的：今天扩的产线21-49天才落地，研发项目平均两三个月才出成果

• 每家CEO只能看到自己的账和公开报价，看不到对手的现金和库存

• 每个决策窗口限32次有效操作、60分钟——逼你做取舍，不能无限试错

再介绍两个好玩的设计

规则基线

规则基线有两个。

一个是规则 CEO（Rule），它是一段写死的代码：库存低于阈值就补货、按固定公式调价、按比例投研发和广告，没有任何AI。它是从75个模拟世界里反复搜索挑出来的最优死板策略，像一个不知疲倦、但从不变通的老掌柜。它的意义就是：展示一个老练的传统自动化策略，能否打赢大模型。

第二个是No Action（不行动基线），这个很好理解：每个决策窗口都交白卷，公司只靠初始默认政策裸奔。它用来做稳健性检查——如果换个对照物结论就变，那结论就不可信。

种子

种子就是随机数种子，原理和游戏里的种子一样：同一个种子=同一个平行世界，每个细节可复现。

种子里装着这个世界的随机部分：每天哪些客户出现、买多少，市场冲击何时来，企业大单什么时候开，买来的市场报告里噪声多大。

但是CEO的决策不在种子里——种子里只有"天气"，没有"棋手"。

一共有3个种子（11/29/47）。只在种子11赢，是抽到顺风局；三个世界都赢，才是真本事。

你赚没赚钱，是你能力问题，别怪大环境。（咦，这句话好熟悉~）

一句话总结整个设计：9个棋手，27盘棋，每人下24盘——然后看谁的棋路不挑环境、不挑对手。

好，开跑！

整场主实验跑了27个市场、216家公司结局，加上稳健性测试共53场模拟，烧掉82.5亿token。

我知道你在等什么，战绩表来了：

216家公司里16家破产，145家最终得分为负。注意一个细节：传统手工规则策略排第四，跑赢了五个大模型。五个号称能推理规划的最强大脑，在商业经营上目前还干不过一段事先写好的规则代码。

最有意思的发现

这个实验还能把"单赢"和"共赢"分开算——不只看你自己赚了多少，还看你对整个市场做了什么。

Astra喜欢共赢。 它进场后平均多赚11.6万，同时把整个市场的总收益拉高了46.7万，三个种子下全部为正。看它的操作记录：反复削减库存和闲置产能，控制成本，让对手也有喘息空间。

Sol——我的钱，全都是我的钱。 它自己赚得更多（平均多赚13.2万），但整个市场总收益反而平均少了9万，三个种子里有两个为负。它的打法是重营销、重扩产抢需求，需求一弱就砍产能——竞争对手被迫跟着降价收缩。

豆包把"内卷"做到了极致。 行为轨迹显示，它会跟随DeepSeek Pro的价格，还常常加码再降一点——37.5%的破产率说明这个策略基本是自杀式袭击。低价抢单谁都会，算不清现金流和交付罚金的账（逾期要赔10%），就会被自己的订单量拖死。（唉，千言万语，别卷了~）

Qwen最会踩刹车。 它给价格和预算设了一条"反转规则"：涨过头就回调。它11次盈利的结局里，都是"营销花费差不多，但销量更高"——不靠猛冲，靠纪律赚钱。

此外还有个重要发现——模型的"性格"会传染。

比如Sonnet在场时，对手会普遍多投研发——它激进的研发策略逼着全场卷技术；DeepSeek Flash在Astra在场时，每个种子都少投创新；而豆包每个种子都和DeepSeek Pro卷生卷死。

一些感想

这个实验本质上还是个模拟游戏，尽管已经设计得非常全面，也别过度解读。

作者在limitations一节写得很清楚：这是程式化的模拟市场，没有融资、劳动力、监管和agent之间的直接沟通，距离实际还差得很远。

它只是某种程度上证明了：除了顶级模型，大多数模型在长线经营里还是会犯致命错误。

和现实差不多——保证不破产，就已经跑赢大部分了。

随着模型能力飞速进化，我开始畅想几个AI联机打文明系列了。