14个AI模型，100万美元起始资金，500天模拟经营——普林斯顿大学的CEO-Bench测试像一场残酷的商业淘汰赛。结果出来了：只有三个模型赚到了钱，其余全部破产。更扎心的是，一个压根不用AI的简单规则系统，靠着固定套路竟赚了1576万美元，把绝大多数大模型甩在身后。这场测试撕开了AI智能体在长期战略决策上的真实伤疤。
500天生存游戏：AI的残酷考场
从零开始的软件公司
测试环境并不复杂：每个AI智能体扮演CEO，运营一家订阅软件公司NovaMind，初始资金100万美元。500天模拟期内，AI需要独立做出产品定价、市场营销、研发投资、人员招聘等全部决策。这不是一次性的问答测试，而是持续一年半的马拉松。普林斯顿大学设计这个基准，就是为了看看AI能否在连贯的时间流中维持商业策略。
数据不会说谎：赢家与输家
14个参与测试的模型，表现天差地别。Claude Fable 5在最佳运行中赚了4715万美元，Claude Opus 4.8紧随其后达到2780万美元，GPT-5.5则录得2130万美元。这三个算是优等生。但剩下的11个模型，包括一些知名大语言模型，最终资产跌破了起始的100万美元。多数模型在模拟结束前就已资金链断裂，宣告破产。一个规则启发式方法——不调用任何语言模型，只靠预设的固定定价、销售配额和针对性开发策略——赚到了1576万美元，轻松超过了除上述三强外的所有AI。
规则系统的逆袭：简单为何胜过智能？
没有感情的商业模式机器
那个胜出的规则系统，其核心逻辑异常简单：产品定价永远基于成本加成，市场营销按固定预算比例执行，研发投入只针对用户反馈最多的功能。它没有学习能力，不会根据市场变化调整策略，就是机械地重复同一套动作。但这种“死板”恰恰成了优势——决策高度一致，现金流稳定可预测。商业有时不需要灵光乍现，而需要日复一日的可靠执行。
大模型的策略失忆症
相比之下，多数AI模型展现出严重的策略不连贯。它们可能在第一天决定投入大量资金开发新功能，第二天又突然转向价格战，第三天又尝试多元化经营。这种频繁的、自相矛盾的决策很快耗尽了资金。语言模型本质上是在处理瞬时上下文，缺乏长期记忆和战略锚点。当模拟环境拉长到500天，这种缺陷被无限放大。AI智能体在窄任务上表现惊艳，但一旦需要跨时间维度权衡取舍，就容易陷入混乱。
战略决策：AI必须跨越的鸿沟
短期反应与长期视野的断层
当前最先进的AI，在代码编写、文案生成等具体任务上已接近人类水平。但CEO-Bench测试暴露了一个根本性断层：AI擅长短期反应，却拙于长期规划。经营一家公司需要同时处理即时危机和五年愿景，需要权衡今天投入研发是否会影响明天市场份额。多数模型被困在当下的数据反馈循环中，无法构建连贯的战略叙事。它们是优秀的执行者，却是糟糕的战略家。
从模拟环境到真实商业
当然，500天的模拟终究是沙盘推演。真实商业世界有更多不可预测变量：竞争对手的突袭、宏观经济波动、团队内部政治。但测试的价值在于指明了方向。未来AI智能体的发展，不能只追求单点任务的精度，更需要融入时间感知模块、建立战略记忆框架、甚至引入类似“商业直觉”的启发式规则。也许下一代AI不该被设计成全能的“思考者”，而是成为懂得在正确时间坚持简单原则的“执行者”。
CEO-Bench测试没有给出最终答案，但它抛出了一个尖锐问题：当我们在为AI注入更多智能时，是否忽略了商业世界最朴素的智慧——有时候，坚持一个简单计划，比拥有无数聪明点子更重要。这场500天的模拟，不仅是对AI能力的评测，更是对我们如何定义“智能”的一次反思。
