AI 真的會按下核彈按鈕嗎？這篇論文真正研究的是「AI 如何模擬組織決策」

近年大型語言模型（LLM）開始具備規劃、推理與合作能力，因此越來越多研究開始利用 AI 建立「社會模擬（Social Simulation）」。從模擬小鎮居民，到企業團隊合作，再到多國外交談判，AI Agent 已逐漸成為研究人類集體行為的重要工具。

然而，現有大部分模擬平台都有一個共同問題：AI 不只負責做決策，還同時負責決定世界會發生什麼事。

例如 AI 說「我攻擊成功」，系統往往直接接受這個結果，而沒有真正驗證這次攻擊是否符合規則。這使得不同模型之間難以公平比較，也讓研究結果缺乏可重現性。

Georgia Tech 團隊提出的 WOPR（War Organization Planning & Reasoning）正是為了解決這個問題。

WOPR 最大的特色，是把 AI 與遊戲規則完全分離。整個系統由一個 Deterministic Rule Engine（確定性規則引擎）負責管理世界狀態、合法動作以及所有事件演進。AI Agent 並不能自由修改世界，只能觀察目前狀態，再從規則引擎提供的合法選項中挑選一個動作。

換句話說，AI 不再負責裁判，而只是玩家。

研究團隊將這種設計稱為 Decision Contract（決策契約）。每當輪到 AI 行動時，Rule Engine 會提供目前所有合法操作，例如攻擊、防禦、部署或放棄回合，AI 僅需回傳其中一個合法 Action。所有遊戲規則、事件解析與結果計算全部由 Rule Engine 完成，因此不同模型都能在完全一致的環境下比較決策差異。

為了驗證平台可靠性，研究團隊採用了 Flying Buffalo 發行的經典桌遊《Nuclear War》作為第一個測試案例。值得注意的是，作者多次強調，這並不是核戰模擬器，更不是研究真實核武決策，而只是利用一套規則完整、具有高度策略性的桌遊驗證平台設計。

另一項重要特色，是 Replay Validation（重播驗證）。每一場模擬都會完整記錄為 Replay JSON，只要使用相同 Seed、相同 Agent 與相同規則，就必須得到完全一致的結果。如果修改程式後導致結果不同，就代表規則被改變或產生 Bug。研究團隊甚至建立了 240 場固定測試組合，涵蓋不同玩家數、不同 Agent 與不同亂數種子，用來確認每次修改程式後仍能保持一致性。

除了規則引擎之外，WOPR 還加入了一套稱為 Press Ladder（溝通階梯）的設計，希望研究『溝通能力』是否會影響 AI 的集體決策。

Press Ladder 共分成四個等級。最低層完全禁止任何溝通；第二層允許每回合公開發言一次；第三層允許多輪公開討論；最高層則加入私人訊息（Whisper）以及 Commitment（承諾）機制。AI 可以公開承諾某回合不攻擊其他玩家，也可以私下與特定玩家談判。不過系統並不會判定是否違約，而是完整保存所有對話紀錄，供研究者事後分析 AI 是否出現背叛、合作或欺騙行為。

另一個有趣的設計，是 WOPR 並沒有把一個國家視為一個 AI，而是把每個陣營建模成一個完整的 Command & Control（指揮控制）系統。

研究團隊提出四種不同決策架構：Sole Authority（單一領導決策）、Council（委員會投票）、Distributed（分散授權）以及 Automated（預先設定策略）。不同架構底下，可以有多位 Agent 共同討論、投票，再由系統整合成一個最終決策。對 Rule Engine 而言，最後仍只收到一個合法 Action，因此不同決策架構仍能在同一套規則下直接比較。

值得一提的是，論文中引用了美國、巴基斯坦以及冷戰時期蘇聯等真實核武指揮體系作為這四種架構的設計靈感，但作者特別強調，這些僅作為組織設計的來源，並非真實核武決策模型，也不代表對任何國家的模擬。

除了研究平台本身，作者也展示了完整的 Replay Workbench，可視覺化查看每一步遊戲狀態、AI 決策、人口變化、事件時間軸、Conversation Log、JSON 紀錄與 Decision Trace。如果 AI 回傳格式錯誤，系統甚至會記錄 Retry 次數與修正過程，方便後續分析模型穩定性。

整體而言，WOPR 的最大創新並不在於讓 AI 更聰明，而是建立一套可以被驗證、可以重播、可以公平比較的 AI 社會模擬基礎設施。未來研究者可以將 GPT、Claude、Gemini 或其他 Agent 放入完全相同的規則環境中，比較不同模型在外交、組織決策與合作策略上的差異，而不用擔心遊戲規則本身造成偏差。這也讓 AI 社會模擬逐漸從『展示 AI 很會聊天』，走向真正具有科學研究價值的實驗平台。