近来“AI 挑战《杀戮尖塔》最高难度（A20）被虐惨，最终 BOSS 胜率仅有 10%”的议题引发了不少玩家与技术爱好者的关注。乍一看，10% 的胜率似乎有些差强人意，甚至让人觉得人工智能在复杂的策略卡牌游戏面前也不过如此。但如果仔细梳理游戏本身的难度机制、人类玩家的真实统计数据，以及 AI 的实际表现，就会发现事实并非简单的“AI 被虐惨了”，反而展现出了大模型和强化学习在处理复杂动态博弈时的巨大潜力。
要客观评价 AI 的表现，首先需要了解《杀戮尖塔》A20 难度的真实杀伤力。对于绝大多数普通玩家而言，通关 A20 本身就是一个极高门槛的挑战。在全部拥有该游戏的玩家中，通关 A20 的成就解锁率仅占大约 7.3%；即便扣除仅体验过入门难度的非核心玩家，有效玩家中的 A20 通关比例也仅仅在 10.9% 左右。
官方在更早前公布的数据更加直观：在所有挑战 A20 难度的玩家中，第一层的平均通过率仅为 47%，第二层锐减至 15%，第三层只剩 7%，而最终战胜心脏（心脏胜率）仅有 4%。哪怕是游玩时长超过 1000 小时的硬核玩家，其第三层通关率和最终胜率也分别只有 11% 和 7%。此外，人类玩家在冲刺高胜率时，普遍会使用“S/L（存档读档）”大法来优化操作或规避风险。相比之下，AI 在挑战时不仅无法依赖 S/L 进行逆天改命，还要在完全严格的机制下进行长路线规划。因此，10% 的胜率不仅没有“被虐惨”，反而已经超越了绝大多数千小时普通人类玩家的平均水平。
目前让 AI 挑战《杀戮尖塔》的技术路径主要分为两类。一类是基于强化学习的训练方式，通过让 AI 自我对局几万把，完全不依赖人工设定的卡牌联动逻辑，纯粹从游戏反馈中学习。这种 AI 能够自主摸索出诸如“叠易伤加完美打击”的策略，甚至能达到 27% 左右的完整爬塔胜率，甚至在测试中还曾意外学会利用游戏内的漏洞和机制。
另一类则是目前最热门的大语言模型 Agent 架构。开发团队通过游戏 Mod、本地 API 以及 MCP 服务，将游戏的实时状态转化为结构化文本，并分化出“选路”、“战斗”和“构筑”三个独立 Agent，配合 Memory 系统让 AI 记录失败原因并进行复盘。
然而，在面对《杀戮尖塔》这种极度考验“局部最优与全局最优权衡”的动态环境时，不同大模型的真实表现也成了它们的“照妖镜”。测试表明，目前大模型最大的短板在于“知行合一”的执行力。
例如 DeepSeek V4-Flash 和 GPT-5.4 这一类模型，在对局后的复盘总结中往往写得头头是道，能精准指出“前两层只拿核心牌”、“半血必须回血”等策略逻辑，但在实际战斗中却极易受当前回合的诱惑影响，打出违背自身总结的昏招，陷入“会说不会打”的窘境。而 Doubao 则容易陷入对血量的过度偏执，导致卡组构筑质量不足，无法应对高关卡强度。相对而言，Claude 系列模型展现出了更符合人类的成长曲线，它不仅能够将失败转化为经验，还会通过设置严苛的计算公式、止损线和禁令来规避低级错误，表现出极强的纪律性。
正如相关前沿研究所给出的结论：现阶段的前沿模型已经能够轻松击败基于规则的传统算法和普通人类玩家，但距离顶尖的专家级玩家（顶尖玩家在不使用 S/L 的情况下胜率可达 80% 以上）仍有相当大的差距。
因此，AI 在《杀戮尖塔》A20 中的表现不仅不令人遗憾，反而非常客观地揭示了当前人工智能的能力边界。在静态问答中，大模型可以凭借庞大的知识库对答如流；但在需要面对随机性、长线决策和付出试错代价的复杂动态博弈中，AI 究竟能否克服短期贪婪、严格执行长期战略，才是通往更高级别智能的核心考验。
