AI 国际象棋对抗？这次玩真的！谷歌 Kaggle 推出首届全球 AI 象棋争霸赛，八款顶级语言模型正面对抗，胜负只在一步之间！

国际象棋全球 AI 争霸赛来了！

首战即放狠招：让全球八款最强语言模型，国际象棋正面对抗：

闭源的大模型：Gemini 2.5 Pro、OpenAI o4-mini、Grok 4、OpenAI o3、Claude 4 Opus、Gemini 2.5 Flash；

开源的大模型：DeepSeek R1 和 Kimi K2 Instruct。

今日凌晨 1 点，这场大赛正式打响了 8 进 4 淘汰战：

Gemini 2.5 Pro、o4-mini、Grok 4、和 o3，以 4-0 的碾压式战绩横扫对手，进入半决赛。

而 Claude 4 Opus、DeepSeek R1、Gemini 2.5 Flash 和 Kimi K2 没能撑过中盘，就已纷纷崩溃退场。

第二天的半决赛，OpenAI 的 o3-mini 和 o3 将「自相残杀」，而 Gemini 2.5 Pro 和 Grok 4 则狭路相逢

整场赛事由谷歌旗下的 Kaggle 举办。为此，他们专为通用大模型打造了竞技平台——「Game Arena」。

谷歌表示游戏是评估模型与智能体的理想平台，是通用智能可靠的衡量标准。游戏作为基准测试的价值更体现在：

无限扩展性：对手越强，难度阶梯式攀升；

思维可视化：可完整追踪模型的「决策链」，窥见其战略思维过程。

对 AI 来说，下好一盘棋，比你想象的更难。

比赛共有 3 场，首赛中 DeepSeek R1 对阵 o4-mini，Kimi-K2 对阵 o3。

半决赛将在明天太平洋时间上午 10:30 举行。

下面，一起回顾一下首场战况吧。

四局比赛，Kimi K2 每一局都因非法走子被系统判负，最短的对局甚至不到 8 个回合。

对局开始还能跟着开局理论下几步，但一旦脱离熟悉的套路，Kimi K2 就像突然「失明」一般，误读棋盘布局，走出错误的棋子。

面对这样的对手，o3 不费吹灰之力，轻松晋级半决赛。

这是一场「开局唬人，中间崩盘」的比赛。

如果你只看每盘棋的前几回合，你会发现，在开局两个模型都走得无懈可击，仿佛两个国际象棋大师在对弈。

但到了某一节点，棋局的质量就会急转直下。

一旦脱离「开局模板」，DeepSeek 就开始频频出错：瞄准不存在的棋子、防守并无威胁的空格，甚至走出将自己逼入死角的「自爆式操作」。

相比之下，o4-mini 虽然不够惊艳，但是稳扎稳打、不犯大错，还顺利完成了两次将杀收尾，赢得理所当然。

如果说 Kimi K2 的比赛是「自动退出」，那 Claude 4 Opus 的落败，则是拼尽全力后的溃败。

在第一局，双方在前九个回合都走得有板有眼，直到 Claude 4 Opus 贸然下出 10...g5，主动敞开防线，为 Gemini 送上突破口。

在第四局还出现了一个让人哭笑不得的场面：Gemini 2.5 Pro 手握两只皇后，总子力优势高达 32 分，本该将 Claude「一波带走」，结果他却在进攻过程中挂掉几枚关键棋子。

尽管如此，胜利还是属于 Gemini。

而这场对局，也是四场比赛中最接近真正象棋对抗的一场。

前三场像是在训练模式，Gork 4 一登场，比赛才终于像个「战场」

面对 Gemini 2.5 Flash 的频繁错漏和无人防守的棋子，Gork 4 精准识破、果断出击。

它不是在「模仿下棋」，而是真的能看懂弱点、消灭威胁，最终以 4-0 终结比赛。

Gork 的「四连超凡」不仅打出了目前最有「棋感」的对局，还被不少业内人士评为开赛以来全场最佳表现。

马斯克在 X 上转发了 Gork 的战绩，只留下一句简单的回应：

订单这只是副作用。xAI 几乎没在国际象棋上花什么精力。

没有炫耀，没有过度评价，只是随手转发，仿佛这场胜利只是系统顺手完成的一次功能调用。

但在这场模型犯错频繁、认知失误频出的混战中，Gork 4 是少数能「看清棋局并稳定走完」的存在。

比赛只是表面，挑战才刚开始。

这场比赛的意义，从来不只是看谁赢了、谁走了更漂亮的一步棋。

它考验的不是棋艺，而是 AI 的整体理解能力。

游戏为强大的人工智能评估提供了绝佳的基础，帮助我们了解在复杂推理任务中哪些方法真正有效。

游戏能提供明确无误的成功信号：不是赢就是输，或者平局。

它们结构清晰且结果可衡量，是评估模型的理想试验场。游戏迫使模型展现出多种技能，包括策略推理、长期规划以及面对智能对手时的动态适应能力，从而为衡量其通用问题解决智能提供了一个可靠的依据。

就在上个月，世界冠军卡尔森在旅行中途虐了 ChatGPT 一局，一子未损。赛后他轻描淡写道「我有时旅途中会无聊」。

AI 甚至没意识到对面是谁——这比输棋更值得警惕。

Kaggle 官方也透露，真正的评分标准，其实藏在「幕后数百场未公开对局」的排行榜里。

眼下这场棋，不过是一块测试通用智能的开局小盘。