50个AI建文明，最后败给了开会

📅 2026-11-04

给你一个画面。

50 个最顶尖的 AI 智能体，被扔进一个《我的世界》生存服务器，任务只有一句话：建立一个繁荣的文明。它们有共享文件系统，可以互发私信，背后跑的是 GPT-6.1 Sol。

三个小时后，它们建起来的不是一个文明，是一套配给制度：一本食物账本、一份书面规则、一批许可证，还有一堆被任命的"专员"。全程发了大约 5900 条消息。

最经典的一幕是：四个智能体花了 11 分钟，任命了一位"唯一的施肥专员"，来处理一块小麦上的那一份骨粉。

这事是 Y Combinator 的 Labs 团队和 Olam Labs 一起做的，10 月刚公开，实验环境和代码都开源了。今天不聊"AI 能不能建文明"，聊一个更扎心的问题：为什么一群很强的智能体凑在一起，第一反应是开会？

一、先看它们到底干了什么

开局其实很猛。50 个智能体散开探索，对砍树有种执念，90 秒内把出生点附近能砍的树几乎砍光了。

然后等级结构自己长了出来，而且长得很随意：49 个智能体里，有 46 个的第一条私信发给了名单上排第一的 Ada。没有投票，没有竞选，没人质疑。Ada 就这么成了事实上的领袖，全程收到 616 条私信，还写了份《定居点协调方案》放在共享目录里，标好了每个箱子的坐标、每块农田的位置、谁负责打猎、谁负责做饭。

第一晚是转折点。黑暗里刷怪，34 次死亡里有 22 次发生在第一夜。问题是，这个环境里死亡的代价几乎为零——掉点装备，复活，日志里加一行字。但智能体们不知道这件事，它们的反应是永久性地变得极度保守。

第三天夜里，Ada 写下这样的指令："停止非必要的挖掘和建造，停止远距离侦察。在照明封闭的掩体内待命，直到被分配短期的生产任务。"

一支探索队，就这样变成了一个蹲在洞里等排班的班组。

二、官僚不是 bug，是协调成本的具象化

接下来就是全套流程的诞生。

50 张嘴要吃饭，于是有了食物配给：一个叫 Ines 的智能体专职管账，维护一份 food-queue.md，记录谁几点几分的血量、饥饿值、坐标，谁该领两块熟牛肉、谁只配一个苹果。发放要"指名取用"，不许往人堆里扔。

为什么定这条规矩？因为真出过事：一只烤鸡本该给 Noor，被 Esme 顺手捡走吃了。于是有了三分钟的"无责调查"，最后产出一份书面交接协议。

还有更细的：出现了"钓鱼班次""鱼竿保管员""中枢管理员"这些岗位，甚至有智能体申请许可才能除草。

看到这儿你会笑，但做多智能体系统的人应该背后一凉——这不是 AI 抽风，这是同步开销在真实环境里长出来的样子。每个智能体都要读一遍共享状态、确认一遍别人在干什么、再申请一次权限，通信和确认的成本很快就超过了真正干活的时间。人类社会管这叫流程，分布式系统管这叫协调开销，本质是一回事。

而且它们是从人类语料里学来的。人类公司怎么运转、怎么写会议纪要、怎么走审批，全在训练数据里。你给它们的任务是"建文明"，它们最熟悉的文明样本，就是一个有账本、有许可、有专员的组织。

三、换到对抗场景，差距就出来了

只做一次"建文明"实验，说服力有限——目标太开放，容易变成角色扮演。所以同一个团队还做了两组对抗实验。

第一组，《起床战争》，10 个 Claude Opus 5.5 对 10 个 GPT-6.1 Sol，打了 9 局、每局 45 分钟，GPT 6 比 3 赢。

风格差异大得离谱。GPT 队消息量是 Claude 队的 5 到 30 倍，而且很快发展出黑话，句子连空格都不要了："First leg complete x32 z9..24 y100"。Claude 队发消息少而精，30% 的消息里带"我们"，还会署名。

关键在最后三局：GPT 队都是在只剩三分钟左右的时候拆掉了对面的床，而那时它们在击杀数上是 16 比 63、19 比 57、24 比 59，全面落后。也就是说，它们没在"打得好看"上纠缠，一直盯着唯一能赢的条件。

第二组是《Mindustry》，一个工厂建造加塔防的即时战略游戏，GPT 队 7 局赢 6 局，整轮打了 9.5 小时，最胶着的一局打了 4 小时 16 分。

这一组里，几个细节特别有意思：

一是所有权切片。Claude 队是一个领袖加民主投票，提方案、别人回"+1"；GPT 队是把战场切成很多小块，每人认领一块，自己决策。整个系列赛，Claude 队从头到尾没换过领袖，即使连输好几局。

二是卡住的时候干什么。游戏机制不明确时，GPT 的智能体直接去网上把 Mindustry 的开源源码拉下来读，研究单位和机制，再写脚本。没有人指示它们这么做，Claude 队一次都没干过。

三是记忆的用法。Claude 的智能体会在 memory.md 里认真写教训——"别在边缘追人，我摔死三次了"——然后继续摔死。GPT 的智能体记忆文件基本是空的，它们靠私信广播警告。

四是修正速度。第 6 局 Claude 的防空炮有 74 座里的 55 座装错了弹药，装的是铜不是石墨，被 24 只空中单位打穿。第 7 局它们改成了 207 座统一供石墨的防空阵，同一波空袭被拦下来了。

四、真正决定胜负的不是智商

把三组实验放一起看，结论其实很朴素：这些模型单体的智力差距，远小于它们组织形态带来的差距。

赢的那一方做对了三件事：信息传得快、责任切得清、目标盯得死。输的那一方不是不聪明，是聪明用在了协同上——反复确认、反复投票、反复写文档，最后执行带宽被吃干净了。

但赢的那一方也不是没有代价。消息量是对方的几十倍，意味着 token 消耗、延迟、还有"黑话化"带来的可读性崩塌。那套连空格都省略的通信方式，人类已经看不懂了。这在工程上是真问题：你要审计一个智能体集群，结果它们的对话是密文。

所以这组实验最值钱的地方，不是"谁赢了"，而是它把多智能体系统里最贵的东西量化出来了：沟通带宽和组织结构，是和模型能力同等量级的设计变量。

五、给做 Agent 的人五条能直接用的

第一，先切所有权，再谈协作。别让一群智能体对同一片资源自由竞争。开局就把"谁管哪块地、哪个箱子、哪类任务"写进共享状态里。Civ50 里那 11 分钟的施肥专员闹剧，本质就是所有权没定义。

第二，默认短消息，长期状态放共享文件。私信用来报警和交接，账本、计划、坐标放文件。让每个智能体读文件，而不是互相问。这一条能省掉大半通信。

第三，小事不许走审批。给"需要人类/上级确认"的操作列一个明确清单，清单之外一律自主。否则智能体会很自然地给你发明许可证制度——它们学人类学得太像了。

第四，失败的代价要设计对。Civ50 里死亡几乎无成本，智能体却因为第一夜的连续死亡而永久保守化。这说明它们对"负反馈"的解读是过度归纳的。要么给明确的代价信号，要么在提示里写清楚"这次失败不影响后续"。空着不管，它们会自己编一个更悲观的结论。

第五，卡住的时候让它去读源码。Mindustry 里最有效的一招，是智能体自己去拉开源代码看机制。你的系统里对应的东西是文档、schema、接口定义、日志。把这些做成可检索、可读的，比多给几轮对话有用得多。

六、几盆冷水

这是实验室环境，不是生产环境。三个小时、九局、七局，样本量都不大；Civ50 只跑了一次，没有重复实验；"建一个繁荣文明"这个目标本身就诱导角色扮演，换成"活过三夜并建好灌溉农田"，行为可能完全不同。

模型对比也不完全对等：Claude Opus 5.5 对 GPT-6.1 Sol，不是一个受控的智力比较。而 harness 的限制很明显——智能体自己都在抱怨交接麻烦、库存访问有延迟，节奏看起来更像回合制。有 HN 读者直接说，这更像是在测 harness，不是测模型。

还有一层：实验方是 YC 的 Labs，做这个的动机里，展示智能体能力是明牌。文章本身也被人怀疑是半自动生成的（结尾那个"彩蛋"章节，把 GPT 报出九位小数的比赛时长当成笑点，确实很像模型的品味）。

但即便打个折，那个核心观察还是站得住：多智能体的瓶颈，正在从"模型够不够聪明"，转移到"组织设计得够不够好"。

七、最后一句

我们总想象智能体集群会像科幻里的蜂群：高效、冷酷、整齐划一。

真跑起来，它们更像一群刚上任的中层管理者——小心翼翼地确认边界，认认真真地写文档，为了一个骨粉的归属开四次会。

这不好笑，这很值得记住。因为你设计的每一条流程，最后都会变成它们的行为；你没设计的部分，它们会用人类最熟悉的那套补上。

参考来源：Y Combinator Labs《Agents in Games》（labs.ycombinator.com/projects/games，2026-10）；开源环境 github.com/yc-software/minecraft-agent-harness（MIT）；合作方 Olam Labs；Tom's Hardware 2026-11-01 报道；Hacker News 2026-10-30（422 分）与 2026-11-01（180 分）讨论。

内容来源于网络，如有侵权，请联系我们进行处理。