普林斯顿让14个顶级AI当CEO,结果被一个没有大脑的脚本打败了

我们以为AI最缺的是智商。普林斯顿的这个实验告诉我们，错了。

2026年6月，普林斯顿大学的三位研究者做了一个听起来像科幻小说的实验。

他们造了一家虚拟公司，叫NovaMind，是一家订阅制AI软件创业公司。然后给每个参赛者100万美元启动资金，让它们去经营——定价、营销、研发、招聘、企业销售、社交媒体……能想到的CEO决策，全都要做。

模拟时间跨度：500天。

参赛者不是人类，是当今最强的10个AI模型：GPT-5.5、Claude Opus 4.8、Claude Opus 4.7、Claude Sonnet 4.6、Gemini 3 Flash、Grok 4.20，以及DeepSeek-V4-Pro、GLM-5.1、Kimi-K2.6等开源选手。

然后，他们还加了一个对照组：一个不调用任何大模型的规则脚本，靠固定逻辑运转，没有推理，没有创意，没有"智能"。

500个模拟日后，结果出来了。

大多数AI，把100万亏光了

在三轮随机测试中，绝大多数参赛模型无法在模拟结束时保住本金。有的亏损惨重，有的在模拟结束前就已经资金耗尽，相当于"破产"。

只有三个模型，在至少一次测试中做到了盈利：Claude Fable 5、Claude Opus 4.8、GPT-5.5。

其中只有Claude Fable 5在不止一次测试里超过本金——也就是说，在三轮里稳定跑赢的，只有它一个。

其余的，全军覆没。

而那个"没有大脑的规则脚本"，靠着固定定价、配额管理和针对性开发策略，在最佳运行中盈利超过了大多数AI模型。

一个没有任何语言模型的脚本，打败了包括Gemini、Grok、DeepSeek在内的几乎所有参赛者。

要理解这个结果，先要理解这个实验设计的难度。

普林斯顿的研究者把这套测试叫做CEO-Bench，测量的是他们定义的一种新能力："Steering Intelligence"——驾驭复杂系统、朝着长期目标推进的能力。

注意，不是"完成任务的能力"。

今天的AI在任务层面已经很强了——写代码、找信息、生成方案，都能做到。但CEO-Bench测的是另一种东西：当你面对一个信息不完整、反馈延迟、市场不断变化、竞争对手持续施压的环境，你能不能做出在500天维度上真正有效的决策？

这个虚拟公司的设计，处处都是陷阱：

在这种环境里，聪明没用，短视的聪明甚至有害。你需要的是一种更罕见的能力：在不确定中保持战略耐性。

研究者在分析中发现了一个有意思的现象：

Claude Opus 4.7在测试中，选择了一种"被动策略"——观望、保守、不主动出击。结果表现垫底。而GPT-5.5和Claude Opus 4.8则相反，主动探索了大量不同策略组合，表现明显更好。

这说明模型之间的差距，并不只是"谁更聪明"，而是谁更敢于在长时间维度上下注。

还有一个更讽刺的发现：用Claude Code和Codex这两个官方编程助手来跑，比用最简单的terminal接口跑，表现反而更差。原因是这些工具的系统提示是针对软件工程优化的，导致模型行动频率下降，战略节奏被打乱。

也就是说，专门为AI设计的"增强工具"，在这个任务上成了累赘。

回到那个让人难堪的规则脚本。

它没有大模型，没有推理能力，没有创意。它只有三件事：固定定价、管理配额、针对性开发。

但它有一件AI们普遍缺乏的东西：一致性。

它不会在第200个模拟日突然改变策略，不会被某一天的负面反馈吓到，不会在市场压力下动摇。它就按规则跑，500个模拟日如一日。

这正是大多数AI模型失败的原因——无法维持连贯的长期策略。研究者在论文里直接写道，多数模型"无法保持连贯策略"，在模拟结束前就已经破产。

这是一个值得认真对待的结论。

当我们说AI越来越强，我们说的通常是它在某个时刻、某个任务上表现出的峰值能力。但现实世界里的大多数决策，不是单次任务，而是需要在时间维度上保持方向、对抗噪声、延迟满足。

这件事，一个没有大脑的脚本，目前做得比绝大多数顶级AI都好。

CEO-Bench的论文标题叫《Can Agents Play the Long Game?》——智能体，能玩长局吗？

现在的答案，是不能。

但有意思的是，研究者把模拟时间缩短到50天之后，发现结果几乎一样：大多数模型依然亏损，能盈利的只剩GPT-5.5一个。

也就是说，问题不只是"时间太长撑不住"。即便把战场缩小十倍，大多数AI依然找不到正确的经营方向。

这说明我们今天训练AI的方式，可能从根本上就没有把"战略能力"当成一个训练目标。

当AI开始真正介入企业决策、资源调配、长期规划，这个缺口，迟早要补上。

你觉得AI有一天能真正胜任CEO的角色吗？欢迎在评论区聊聊你的判断。