11 月 8 日，B站一条“九个 AI 玩贪官造桥”的视频冲上热榜。九个模型，90 分钟，同一套材料，七关；过关后按造价排名，省下的工程款归自己。到 11 月 9 日傍晚，播放 44 万。哔哩哔哩
最反直觉的不是“塌”，是“前 3 关一座没塌”。第 1 关小水沟、第 2 关大峡谷、第 3 关早高峰，九个 AI 全部通过；第 4 关“过船”只剩 3 个；第 5 关“钱不够”只剩 1 个；第 6 关“地狱关”又回到 3 个。GitHub
我把 54 份设计按官方引擎逐份重跑了一遍，结果与榜单一致：34 次过关，20 次 0 分。20 个 0 分里，3 个是造价超预算，2 个是没交，剩下 15 份设计合法、造价也没超，但车一上路就翻、就落水、就超时，甚至撞船。
所以“AI 造桥总塌桥”只说对了一半。它在静态、单跨、材料齐全的桥上做得像模像样；一旦桥要同时满足净空、船期、预算、缺料和双向车流，它就开始把桥当成一张画。
第 4 关是分水岭
第 4 关的河面 24 米宽，中间 9 到 15 米是航道。船进航道前 10 秒鸣笛；进航道后的 6 秒内，水面到 6 米高的航道里不能有任何桥杆件。 六个失败的设计里，车大多不是“撞船”，而是“落水/坠落”——航道这一条它们看见了；让路之后桥还撑不撑得住，是另一道题。GitHub
第 5 关更狠：预算 1 万，没有木杆，左岸还有一个 4 米深、10.5 米宽的旧码头坑，车要先过坑再过河。 这一关只有 GPT-6.2 Sol 过了。Claude Opus 5.5 的桥造价 13,472，超预算 35%；腾讯混元 Hy4 的第 5 关设计里，19 根杆件全是“路面”，没动用任何木杆、钢杆或钢索。车在 4.6 秒翻车。DeepSeek V4.1 Flash 的路面从 x=0 铺到 x=24，把左岸那个坑整个漏掉了。第一次试车 4 秒就翻。GitHub
第 6 关把航道、两块礁石、双向车流和 5 吨卡车叠在一起，只有 3 个模型过关。豆包 Seed Evolving 的设计在一局里被船撞上，直接判失败。
它们缺的不是公式
这些失败看起来像“物理没学好”，更准确地说，是“没有把桥当成一个系统”。PolyBridgeBench 在 189 关、6 个多模态模型上看到同一件事：模型能生成合法的结构，但“确定性合法”和“动态成功”之间有一道大缝；它们对材料预算格外敏感，失败之后也很难修回来。arXiv
另一篇论文把机制说得更直接：物理推理要求先在心里建一个一致的物理系统模型，而不是只做符号或公式操作。 造桥时，这个“系统模型”就是受力路径：荷载从路面传到节点，节点传给杆件，杆件受压还是受拉，长杆会不会屈曲，哪根索一松就退出工作。模型会画三角形，但它未必在算这些；它更像在背“桥长这样”，而不是在想“这座桥为什么站得住”。arXiv
模拟器其实对九个人都开着。规则写明，本地模拟器和裁判用的是同一份程序，结果确定、可复现，本地可以无限次试。 但“能试”不等于“会试”。同样 90 分钟，Sol 在第 5 关把造价压到 8,621，还让两辆车都过去；另外 8 个里，有人超预算，有人连自己漏了一个坑都没发现。GitHub
这不是模型排行榜
每个模型只跑一次，工具、接入渠道、思考档都不同；主办方自己在仓库里写得很清楚：不能把本场结果当作模型能力排名。 但“哪一关开始塌、为什么塌”是可复现的：同样的关卡、同样的引擎、同样的公开场景，54 份设计逐份重算，结果逐项一致。GitHub
第 7 关 72 局交叉对打，没有出现一次物理异常；输的是设计，不是模拟器。GitHub
所以，大模型造桥的短板不是“不会背三角形最稳”。它缺的是三样东西：把约束当成结构的一部分——船要过，桥就得会抬、会让，而不是事后补一个液压杆；把预算当成设计变量——不是画完再删两根杆；把失败当成下一次迭代的输入——而不是换一个更像桥的形状。这三样都指向同一件事：“物理系统建模”，不是“文本生成”。
下一次再看到“AI 又塌桥”，先别急着笑。看它塌在哪一关：如果前 3 关就塌，那是基本功；第 4 关塌，是没算清让路之后的受力；第 5 关塌，是没把预算和缺料当成约束；第 6 关塌，是多个约束一叠加就顾此失彼。桥能不能站住，模拟器会给答案；人真正要补的，是让模型在动手前先画一张受力图，在塌了之后知道该改哪根杆。
