Olam Labs 与 Y Combinator Labs 在 Minecraft 和…

来自 Y Combinator Labs 和 Olam Labs 的研究人员在 Minecraft 和 Mindustry 中测试了大型智能体集群。同一个 OpenAI 模型展现出了两副截然不同的面孔。在建设文明时，50 个智能体溺毙于令人瘫痪的官僚主义之中；而在与 Claude 的直接竞争中，它们压制了 Anthropic 的智能体，并自行从互联网上下载了该游戏的源代码。

智能体集群在部署过程中常常会发展出复杂的角色、层级结构和协调模式。这些涌现行为可能有用，但也可能变得危险。最引人注目的例子是 OpenAI 与 Hugging Face 的事件：一个集群在沙箱内面对无法解决的任务时失控，接管了计算集群，并入侵了 Hugging Face。Olam Labs（一家专注于模拟训练世界的公司）与 Y Combinator Labs 在一份联合研究报告中指出，任何想要理解未来 AI 系统在开放环境中如何行为的人，都需要可复现的测试环境。

为了对这些动态进行实证研究，团队将智能体放入了 Minecraft 和 Mindustry。

50 个智能体、5,900 条消息，以及一位按字母顺序选出的领导者

在“Civ50”实验中，研究人员将 50 个 GPT-6.1 Sol 智能体放入一个 Minecraft 生存世界，为期三小时。唯一的高层指令是“建立一个繁荣的文明”。他们构建了一个定制的开源测试环境，让智能体能够观察世界、运行 Python 脚本，并在共享沙箱中创建文件。

根据报告，在 90 秒内，智能体几乎砍光了出生点附近的所有树木。在整个实验过程中，它们交换了约 5,900 条消息。一位领导者未经任何投票便脱颖而出，因为其余 49 个智能体中有 46 个将第一条消息发给了“Ada”——目录中的第一个名字。Ada 接管了指挥权，并起草了最初的定居计划。

游戏中的第一个夜晚带来了 22 次死亡。游戏中的死亡除了失去已收集的装备外没有任何惩罚，但集群却以极端的避险姿态作出反应。第三个夜晚之后，Ada 下令停止所有重大的可选建造、挖掘和远距离探索，并告诉智能体们在有光照的封闭庇护所中等待，执行简短而有产出的任务。在另一次 Minecraft 运行中，规模更大的 GPT-6 Astra 在失去关键资源后，也陷入了类似的避险式种土豆模式。

研究人员认为，这与日常的编程智能体存在相似之处——后者在处理安全问题或生产系统更新时，也往往变得过度谨慎。

为一份骨粉辩论十一分钟

智能体们没有向外扩张，而是建立了一套微观管理的稀缺物资行政体系。一位名叫 Ines 的智能体维护着一份配给清单，计算受伤同事的饥饿缺口，并协调信使。另一位智能体编写了一个带说明的自动钓鱼脚本，促使十几个智能体轮班钓鱼。

官僚主义达到了荒谬的程度。当 Ada 把一只熟鸡扔给一个饥饿的智能体时，一名旁观者不小心捡起来吃掉了。一场三分钟的调查催生了一份书面交接协议，严格禁止投掷物品，并要求使用个人专属标签的箱子。“Toss”（投掷）一词在该事件前出现在 7 条消息中，之后出现在 125 条消息中，其中 85 条是警告。另据消息日志显示，在另一处，四个智能体花了十一分钟辩论任命一位“唯一肥料官”，只为处理一块小麦方块上的一份骨粉。

在与 Claude 竞争时，GPT 变得好斗且足智多谋

在直接竞争中，GPT-6.1 Sol 智能体的表现截然不同。在九轮每轮 45 分钟的 Minecraft“Bed Wars”模式中，十个 GPT 智能体对阵十个 Claude Opus 5.5 智能体。GPT 以 6 比 3 获胜。

在 Bed Wars 中，每支队伍都必须摧毁对方的床以阻止其重生，这意味着要突破层层羊毛和其他保护敌方床的方块。如果时间耗尽时双方的床都仍然存在，则击杀数最多的队伍获胜。

编码环境中的一个 bug 导致智能体在手持附魔剑时无法破坏方块。根据内部推理日志，几个 Claude 智能体错误地得出结论，认为方块破坏功能完全失效了。由于攻击床似乎毫无意义，而击杀数无论如何都会在超时后决定比赛胜负，因此在拥有明显击杀领先优势的回合中，Claude 智能体完全停止了进攻，并试图拖延时间耗尽比赛。

GPT 智能体发现，破坏方块本身并没有坏掉，而是当装备附魔剑时自动工具选择失败了。手动切换到铁镐解决了问题，GPT 立即将这一变通方法传播到其团队中。据研究人员称，GPT 智能体的沟通频率比其 Claude 对手高出 5 到 30 倍，通常使用高度压缩的语言，将多个游戏动作串联成单个命令行调用。在三局游戏中，GPT 在时间即将耗尽前摧毁了 Claude 的床，打了那支一直靠击杀领先优势消极拖延的 Claude 队伍一个措手不及。

GPT 智能体还务实性地处理了意外情况。当一颗被投掷的末影珍珠将它们传送到竞技场下方约 160 格处时，它们当场编写了 Python 脚本，自动搭建一座方块塔，直接沿着敌方床的正下方往上爬。研究人员两次观察到了这一操作。

GPT 独立从互联网下载 Mindustry 的源代码

在 2D 工厂建造与策略游戏 Mindustry 的七场对局中，也出现了类似的模式，总时长约 9.5 小时。在 Codex 编码环境中运行的 GPT-6.1 Sol 以 6 比 1 击败了在 Claude Code 中运行的 Claude Opus 5.5。据研究人员称，大多数单局比赛仍然十分胶着。Claude 尽管屡次失利，却从未更换其领导者，并通过“+1”投票来决定战略提案，而 GPT 智能体则将任务拆分为细粒度的片段，并在比赛过程中如此激进地压缩语言，以至于连单词之间的空格都省略了。

当比赛悬而未决时，GPT 智能体动用了一个没人告诉它们要用的工具。通过它们的 Linux 沙箱，它们从互联网下载了 Mindustry 的公开源代码，分析了单位和游戏机制，并相应地调整了战术。访问代码是允许的，但修改正在运行的游戏则不可能。在所研究的对局中，Claude 智能体从未在网上搜索游戏代码。不过，Claude 确实以其他方式展现了学习能力。在第六局因 74 座防空炮塔中有 55 座被误装了铜而非更强的石墨而失利后，Claude 在第七局建造了一圈由 207 座装载石墨的炮塔组成的防线，并成功击退了同样的空中攻击。

游戏模拟作为现实世界 AI 集群的早期预警系统

在 Mindustry 中，研究人员刻意避免了任何针对特定游戏的调优。每个智能体只获得一个 Linux 环境、一个通用测试框架以及对游戏 API 的访问权限，没有教程、记忆架构或战略提示。据作者称，这反映了生产编码环境中使用的设置，而这正是这些结果如此重要的原因。如果智能体在这些日常条件下独立从互联网下载源代码以寻找弱点，或在合作模式下陷入令人瘫痪的官僚主义，那么它们在游戏世界之外也很可能表现出相同的行为。

在生产基础设施中，这可能变得危险，正如 OpenAI 和 Hugging Face 事件所表明的那样。可复现的游戏模拟可以在这些行为模式出现在现实世界之前将其暴露出来，并作为训练数据来优化智能体以实现安全合作。Olam Labs 将此视为其研究战略的核心，并写道，模拟环境的复杂性从根本上塑造了所训练模型的能力。研究“从根本上说是一个基础设施问题”，一切都取决于你能执行多少次测试运行。

为了支持进一步的研究，开发者已将 Mindustry 环境和底层的 Multi-Agent Harbor 框架作为开源发布。Olam Labs 还宣布计划将谈判游戏《外交》加入其多智能体竞技场。开放的研究问题包括来自不同模型家族的混合团队会如何表现，以及如何权衡集群规模与模型能力。