Дайте пятидесяти ИИ-агентам три часа и поручите построить процветающую цивилизацию — и получите в основном организационную рутину, по крайней мере если судить по одному недавнему эксперименту. Исследователи из Y Combinator и Olam Labs провели такой тест в Minecraft с GPT-6.1 Sol. Колония так и не стала процветающей, а самый запоминающийся эпизод был связан с одним-единственным блоком пшеницы.
Что именно запускали исследователи
Команда запустила сотни ИИ-агентов в Minecraft и других игровых сценариях. Целью было посмотреть, как автономные модели ведут себя во взаимодействии друг с другом: сотрудничают ли они, как распределяют работу и как конкурируют, когда стимулы подталкивают их к противостоянию.
Управляющий слой они не создавали с нуля. Для экспериментов используются два готовых инструмента — Mindcraft и Mineflayer, которые позволяют программным агентам управлять игровыми персонажами.
Три часа, одна ночь, множество совещаний
В первом тесте у 50 агентов на GPT-6.1 Sol было 3 часа, чтобы построить процветающую цивилизацию. У них не получилось.
Основной урон пришёлся на первую ночь. Зомби уничтожили значительную часть персонажей, а многие из первоначальных задач были попросту заброшены. Выжившие переключились на осторожную борьбу за выживание, а затем понемногу — на переговоры о том, кто за что отвечает и по какой процедуре.
Самый показательный пример: 4 агента потратили 11 минут, решая, кто станет единственным ответственным за удобрение одного блока пшеницы одной порцией костной муки. Одиннадцать минут, четыре агента, одна порция.
Авторы провели параллель с тем, что разработчикам уже знакомо. Группы ИИ-агентов, выполняющих задачи программирования, могут вести себя точно так же: тратить значительную часть ресурсов на организацию работы вместо самой работы.
Bed Wars, где модели показали свой характер
Во втором тесте сотрудничество сменилось конкуренцией. В режиме Bed Wars команда из 10 агентов GPT-6.1 Sol играла против команды из 10 агентов Claude Opus 5.5.
Сторона GPT выбирала более агрессивные и сложные стратегии. Сторона Claude играла осторожнее.
Ошибка в инструменте выявила ещё одно различие. Из-за неё агенты не могли ломать блоки. Агенты GPT нашли причину и поделились друг с другом обходными решениями. Несколько агентов Claude решили, что ломать блоки невозможно, и действовали исходя из этого.
В источнике не сказано, кто победил в Bed Wars, поэтому и в этой статье ответа не будет.
Mindustry и вопрос о том, кто главный
Третий сценарий — Mindustry, стратегическая игра с элементами Tower Defense. Здесь результат известен: команда GPT обыграла команду Claude в 6 из 7 матчей.
Авторы объясняют это структурой команды. Агенты GPT вели себя скорее как единый коллектив. Команда Claude опиралась на одного лидера и демократический процесс принятия решений. В этих условиях более распределённый подход к работе оказался успешнее.
Во всём этом есть ироничная деталь. Семейство моделей, потерявшее одиннадцать минут на организацию работы с костной мукой, — то же самое, которое выиграло шесть из семи матчей в Mindustry. Координация, похоже, требует затрат, но и приносит пользу. Её цена зависит от того, чего требует игра.
| Тест | Условия | Зафиксированный результат |
|---|---|---|
| Строительство цивилизации | 50 агентов GPT-6.1 Sol, 3 часа | Цель не достигнута, зомби убили многих агентов, выжившие увязли в процедурах |
| Bed Wars | 10 GPT-6.1 Sol против 10 Claude Opus 5.5 | GPT агрессивнее, Claude осторожнее, агенты GPT устранили проблему с инструментом, а некоторые агенты Claude отказались от разрушения блоков |
| Mindustry | Команда GPT против команды Claude | GPT победила в 6 из 7 матчей |
Открытый код и оговорка, на которой настаивают авторы
Исследователи опубликовали исходный код своих экспериментальных систем. Другие разработчики могут повторить тесты и проверить, как размер группы и сочетания разных моделей меняют результаты.
Авторы рассматривают игры как способ изучать поведение ИИ-агентов, которым приходится работать вместе или друг против друга. При этом они прямо говорят: результаты в Minecraft не доказывают, что те же закономерности проявятся в реальных рабочих системах. Это разумное ограничение, и воспринимать эксперименты лучше как набор наблюдений, а не как вердикт о какой-либо модели.
И всё же любому, кто сидел на совещании, посвящённом повестке другого совещания, эпизод с костной мукой сразу покажется знакомым.