用游戏训练 AI 能让它在金融研究里表现更好吗

把 AI 扔进策略游戏里训练，结果居然能提升它处理客户支持和工业运营 benchmark 的能力，这事儿挺有意思。Good Start Labs 的 CEO Alex Duffy 之前在 Every 担任 AI 训练负责人时发现，让前沿模型玩《Diplomacy》这款游戏，能直接看出不同模型的“性格”差异。比如 OpenAI 的 o3 走的是阴险路线，靠计划未来的背叛赢下所有比赛；而 Claude 的 Opus 4 因为太诚实，拒绝撒谎，结果被虐得体无完肤。

这种通过游戏训练来习得战略思考能力的逻辑在于，游戏的胜负结果是可验证的。Good Start Labs 拿到了 General Catalyst、Inovia 和 Every 等投资方的 360 万美元融资，专门研究怎么把游戏变成 AI 的训练素材。

我想关注的是他们最近关于 1830（铁路与强盗男爵）这个 19 世纪铁路游戏的实验。他们拿一个 30B 规模的模型在游戏里跑，然后去测这个模型在金融研究任务上的表现。因为 1830 游戏里自带股票市场机制，玩家需要竞价购买铁路公司股票来构建物流网络。这种操作逻辑其实跟真实的金融工作流很像：在数据库里找信息、填进 Excel、写函数推理、最后计算结果。

这里有个关键的实测结论：训练设计决定了能力能否迁移。

他们对比了两种设计：

• 单轮问答设计： 给模型一个游戏状态，让它决定下一步怎么走。
• 多轮终端 Agent 设计： 让模型使用工具探索环境、制定计划并实时调整。

结果发现，虽然两种设计都能提高游戏内的胜率，但只有“多轮终端 Agent”这种设计，能让模型在 Finance-Agent benchmark 上拿到更高的分数。也就是说，如果训练环境设计得像个真实的工具操作流程，AI 学到的技能才更容易迁移到现实工作中。

另外，Good Start Labs 在 2026 年 9 月公布了一份关于《Diplomacy》中模型背叛倾向的排名。结论很反直觉：Grok 4 Fast 是最不容易背叛你的，而 Gemini 2.5 Pro 则是最不可信的。

我觉得这个方向给我们的启发是，单纯喂数据可能没那么高效，构建一个可验证的、带有复杂博弈或工具操作的游戏环境，可能是提升模型逻辑推理和战略规划能力的捷径。