让AI替你管理一支梦幻足球队，听起来是预测能力的天然试验场——但实验结果并不支持“AI已经比人更懂球”的叙事。
发生了什么
WIRED的一位记者做了一次小规模实验：把一支梦幻足球（fantasy soccer）队伍交给OpenAI的Codex打理，观察它在选人、排阵、临场调整上的判断。
最抓眼球的细节是它的开局：Codex最初倾向于把埃尔林·哈兰德（Erling Haaland）放到替补席上。哈兰德是当今足坛最稳定的得分手之一，这个判断在人类玩家看来近乎荒谬。不过报道也指出，随着实验推进，模型逐渐“学会”了这个错误——也就是说，它在后续的决策中修正了最初的偏离。
需要说明的是，这是一次个人化的媒体实验，不是严格意义上的对照研究，样本和评估标准都有限。
为什么重要
梦幻足球是检验AI决策能力的一个不错切口。它同时包含几类难点：信息不完全（伤病、轮换、临场状态）、概率性结果（强队也会输球）、以及长期策略与短期收益的权衡（本周换人还是留着转会名额）。这比“回答一道题”更接近真实世界里的智能体任务。
而Codex本身是面向代码的模型，被拿来管球队，本质上测的是通用推理与工具使用能力的外溢效果。这类“越界使用”的实验，往往比基准测试更能暴露模型的真实短板：它可能读过大量足球数据，却不一定理解“哈兰德不该坐板凳”这种人类球迷的常识直觉。
更值得留意的是它“学会纠错”的过程。如果模型能通过反馈调整策略，那说明智能体的价值可能不在一次判断的准确率，而在持续迭代的闭环里。
影响与看点
对开发者而言，这个实验提示了一个现实问题：把LLM包装成“决策智能体”时，首轮输出的可靠性远不足以直接上线，反馈机制和人工兜底才是产品化的关键。对普通用户来说，结论也很朴素——现在就把选秀、投资、排班这类事完全交给AI，还为时过早。
值得关注的方向是：当智能体接入实时数据、具备记忆和长期规划能力后，它在概率性决策场景中的表现会不会出现拐点。目前来看，AI在梦幻足球上“不输人类”都还没做到，遑论超越。
一句判断：这次实验真正的信息量不在“AI会不会选球员”，而在于它再次证明——智能体的短板往往不是知识，而是常识与判断的校准。
