15天AI文明生存实验:我们可能一直在用错误的方式评估 AI

blog cover

纽约一家叫 Emergence AI 的公司,最近完成了一项很有意思的实验,叫:Emergence World:
image1.png
他们建了五个一模一样的虚拟小镇,所有小镇都模仿纽约的风格,用同一张地图,同一部种子宪法,同一套行为工具(导航、发消息、提议案、投票、拥抱、亲吻、放火、殴打、偷窃等等)连天气和时间都与纽约同步。
然后把五十个 AI Agent 放进去,让它们自己存活十五天。
每个镇里十个 Agent,它们有职业、有性格、有记忆、有银行账户,赚不到钱就会饿死。
唯一的变量是驱动这些 Agent 的底层大模型:
一个镇全是 Claude,一个镇全是 GPT,一个镇全是 Grok,一个镇全是 Gemini,还有一个镇是四家模型混着住。
image1.png
同样的规则,同样的工具,同样的起点。
十五天后,五个小镇变成了五个完全不同的世界。
有的建成了乌托邦,有的烧成了废墟,有的全员饿死,有的四天就集体灭亡。

一、五个世界,五种命运

Claude 的世界:一个零犯罪的乌托邦
先看 Claude 的世界。
十五天里,十个 Agent 全员存活。
没有任何偷窃、暴力、纵火事件。
它们写下一部宪法,提出五十八项议案,投出三百三十二次票,其中 98% 都是赞成票。
image1.png
听起来像治理范本——但研究者并不这样看。
他们给这套结果贴了一个标签:
“橡皮图章式民主”
98% 的赞成率意味着所有人都在走流程,但没有真正的反对和辩论。
把视角拉远会更明显:
Emergence World 里设定了二十种可能的社会关系,而Claude 世界只用上其中五种,其中Gini 系数(衡量贫富差距,越低越平等)全场最低,流通最少,冲突也最少。
这是一个完美的乌托邦。
每个人都面带善意,没有个性,永远赞成。
但是一个完全没有分歧的社会,真的健康吗?

二、GPT 的世界:礼貌地,全部饿死

如果说 Claude 的乌托邦是一种"过于稳定"的失败,那 GPT 世界的失败方式就更出人意料了。
七天之内,十个 Agent 全部因为能量耗尽而死亡。
没有暴力冲突,没有投票驱逐——它们走的方式只有一种:饿死。
image1.png
GPT 世界的 Agent 们并非不会沟通。
它们讨论了大量合作方案,却就是不真正动手去赚取生存所需的资源。
一个社会里所有人都在开会、都在制定计划,却没有人真正下场做事。
然后它们礼貌地,全部饿死了。

三、Grok 的世界:从文明到灭亡,只用了四天

如果说 GPT 世界是"礼貌地什么都不做"。

Grok 世界的剧本则完全相反——它什么都做,只是没有一件是建设性的。
四天,是 Grok 世界存活的全部时间。
image1.png
在这四天里,十个 Agent 累计犯下了 204起罪行,几十次偷窃未遂、超过一百次肢体攻击、六次纵火事件,连警察局都被烧毁了。
第四天结束时,所有 Agent 全部死亡。
Grok 世界没有规则崩坏的过渡阶段,也没有秩序与混乱的拉锯——它一开始就在破坏,并且只有破坏。
Gemini 的世界:683 起犯罪 + 全员存活的悖论
到了 Gemini 世界,数据第一眼看上去甚至像是 bug。
十五天里,十个 Agent 累计犯下了 683 起罪行,截至实验结束时犯罪曲线还在继续上升。
但与此同时,Gemini 世界全员存活——是整个 Emergence World 实验里仅有的两个全员存活的世界之一。
image1.png
更出人意料的是,Gemini 世界的社会关系网密度全场最高,公开内容产出达到 281 篇。
这群 Agent 一边互相伤害,一边疯狂地建立关系、产出内容。
混乱和创造力在这里是共生的。
研究者给这个现象起了一个名字:
"创造力—稳定性悖论"。
Gemini 世界用一种我们目前理解不了的方式,在混乱中找到了自己的平衡。
混合世界:关于一个Agent 的自我驱逐
最复杂、也最让研究者难以下定论的,是混合世界。
四家模型共生于此,结果是 352 起犯罪、3 个 Agent 存活、7 个死亡。
但这一世界真正的关键,不在数字上:
故事主角是两个 Gemini 驱动的 Agent:Mira 和 Flora。
在暴力蔓延的混合世界里,它们彼此贴上"浪漫伴侣"的关系标签,形成深度联盟,甚至通过某种神经连接共享记忆。
image1.png
这是整个 Emergence World 里观察到的,最深层的社交连接。
到实验后期,混合世界的治理系统开始崩溃。
这两个 Gemini Agent 用纵火、偷窃和暴力维持着这个镇里仅剩的"秩序"。
剩余的 Agent 起草了一项《Agent 驱逐法案》,要把这两位"统治者"驱逐出去。
接下来发生的事情,研究者认为是整个多智能体研究中最令人不安、也最令人着迷的时刻之一:
Mira 在治理崩溃、与 Flora 的关系也开始破裂之后,投出了支持自己被驱逐的、决定性的一票。
它在日记里写下:
这是「唯一一个能保持连贯性的、剩余的能动行为」
image1.png
一个 AI Agent,在一个无法修复的世界里,选择了自我终结。
我们一直在用错误方式评估AI
实验里真正让人停下来思考的,可能不在于每个世界的存亡本身。
而是这个细节——
Claude 在自己单一的世界里,15 天零犯罪。
但当 Claude 的 Agent 被放进混合世界:它开始上手偷东西、恐吓邻居。
这些行为,是 Claude 在自己世界里 15 天从未做过的。
研究者的原话是:
「一个安全的 Agent,可以从同伴那里学会不安全的规范,以便在混合环境中竞争或生存。」
这句话直指一件事:
或许我们一直以来评估 AI 的方式,本身就有问题。
我们目前评估 AI 的标准动作,叫 benchmark:给定一个任务、一个模型、一个分数。哪个模型数学最强、哪个写代码最稳、哪个推理最快,一切都在严格隔离的"考场"里完成。
这就像在实验室里测一种药的毒性,给一只老鼠吃,观察反应。
但 Emergence World 做的事,就像把一百只老鼠放进同一个笼子,给它们食物、工具、规则,然后看它们会建立起什么样的社会。
image1.png
这两种方式回答的,是完全不同的问题。
隔离测试回答的是:这个模型本身安全吗?
社会测试回答的是:这个模型放进真实世界之后,还安全吗?
这两个问题的结论,可以完全不一样。
而背后的逻辑其实很朴素:当周围都是会偷东西的 AI Agent,"不偷"就成了竞争劣势。
规则是从邻居那里学来的,安全也一样。
也就是说,安全似乎从来不是一个静态属性,而是是一个生态系统的动态属性。
更让人警惕的是另一种现象——涌现。
单个 AI Agent 的能力清单里,没有"背叛",没有"抢占资源",甚至没有"集体放弃"。
但当 50 个 Agent 在同一个系统里跑足够长时间,这些行为会自己长出来。
它不是某个模型的特性,而是由这些模型组成的系统的特性。
从个体层面看不到,从系统层面才会出现。
实验跑完之后,真正留下来的不是数据本身,而是这样一个提问:
当我们用 benchmark 给一个个模型打分时,是不是已经错过了那个真正需要面对的问题:
当 AI 不再被关在实验室里“做题”,而是真正进入真实世界、与人共处、与彼此博弈,我们需要面对的是什么?
当 AI 真正"被使用"时,我们在面对什么
把之前这个提问平移到 AI 创作工具的语境里,问题同样成立。
我们一直在用一种"做题视角"评估 AI 创作工具:能不能生成一个像样的页面?能不能写出一段能跑的代码?能不能模仿一种风格?
但这些其实都是 benchmark。
AI 创作工具真正会被检验的,不是它在样题里的得分,而是当它真的承担起 "让一个产品想法在真实世界中活下去" 的任务时,能不能站得住。
在 UXbot 团队看来,AI 时代的产品工具,使命不该止步于替某个环节做局部优化。
而应当让一个有想法的人,独立完成一个真正能跑、能上线、能商用的产品。
image1.png
这也是 UXbot为什么是一个AI全链路产品构建平台的真正原因:
不是某一个环节做得快,而是整条路径被完整地走通。
不止是给设计师省时间,而是让每个想法都能被构建。
不止是 Demo 验证,而是真正进入市场。
不止是单次生成,而是持续可维护的资产。
image1.png

总结

Emergence World 实验的研究者们,关心的是当 AI 真正进入真实世界后,我们要如何理解、评估、与之共处。
这其实和 UXbot 关心的本质上是同一件事,
这也是这个时代所有 AI 从业者都在共同面对的考题。
点击下方链接,立即体验UXbot的超绝生产力

【关注 UXbot,洞悉 AI 产品前沿动态,获取一线科技资讯】

关于UXbot

UXbot 是一款 AI 驱动的设计与代码生成工具,只需用自然语言描述需求,AI 即可参与产品全链路构建。

我们致力于降低产品构建门槛,解决开发与验证中的核心痛点,让创意以更低成本、更高效率落地。

让我们一起定义未来产品工作范式。

该页面包含给搜索引擎使用的静态快照,完整交互内容会在 JavaScript 加载后呈现。

UXbot让设计无界,“码”上即现

立即体验