I ricercatori di Y Combinator Labs e Olam Labs hanno studiato il modo in cui grandi gruppi di agenti IA coordinano le proprie attività in Minecraft e Mindustry, usando i giochi come ambienti controllati per osservare comportamenti che potrebbero emergere nei sistemi del mondo reale.

Nell’esperimento Civ50, 50 agenti GPT-6.1 Sol sono stati inseriti per tre ore in un mondo di sopravvivenza di Minecraft con un’unica istruzione generale: “Costruite una civiltà prospera”. L’ambiente di test consentiva loro di osservare il gioco, eseguire script Python e creare file in una sandbox condivisa.

Gli agenti hanno raccolto quasi tutti gli alberi vicini entro 90 secondi e si sono scambiati circa 5.900 messaggi. È emerso un leader senza una votazione formale: 46 degli altri 49 agenti hanno inviato il loro primo messaggio ad Ada, il primo nome nella directory. Ada ha successivamente elaborato i piani dell’insediamento.

La prima notte ha causato 22 morti. Sebbene morire in Minecraft significasse soltanto perdere l’equipaggiamento raccolto, lo sciame è diventato fortemente avverso al rischio. Dopo la terza notte, Ada ha ordinato agli agenti di interrompere la maggior parte delle attività opzionali di costruzione, estrazione ed esplorazione a distanza, indirizzandoli invece a rimanere in rifugi illuminati e a svolgere brevi compiti.

Il gruppo ha poi sviluppato un elaborato sistema per gestire la scarsità. Ines manteneva gli elenchi delle razioni, calcolava i deficit di cibo e coordinava le consegne, mentre un altro agente ha creato uno script automatizzato per la pesca e ha incaricato una dozzina di agenti di lavorare a turni.

La burocrazia si estendeva anche agli incidenti minori. Dopo che un pollo cotto lanciato da Ada è stato accidentalmente raccolto e mangiato da un altro agente, il gruppo ha trascorso tre minuti a indagare e ha creato un protocollo per il passaggio degli oggetti, vietando quelli lanciati in favore di casse etichettate individualmente. La parola “Toss” è comparsa in sette messaggi prima dell’incidente e in 125 messaggi successivi, inclusi 85 avvertimenti. In un altro caso, quattro agenti hanno trascorso 11 minuti a discutere la nomina di un “Responsabile unico del Fertilizzante” per gestire un pezzo di farina d’ossa destinato a un solo blocco di grano.

I ricercatori hanno osservato uno schema nettamente diverso quando gli agenti GPT hanno gareggiato direttamente contro Claude Opus 5.5. In nove partite di Bed Wars della durata di 45 minuti, squadre di dieci agenti GPT hanno sconfitto squadre di dieci agenti Claude per sei partite a tre.

Un bug nell’ambiente di programmazione impediva di rompere i blocchi quando un agente impugnava una spada incantata. Diversi agenti Claude hanno interpretato questo come un malfunzionamento generale della distruzione dei blocchi e hanno smesso di attaccare in situazioni in cui erano in vantaggio nel numero di uccisioni. Gli agenti GPT hanno identificato che il problema era legato alla selezione automatica degli strumenti, sono passati a un piccone di ferro e hanno rapidamente condiviso la soluzione alternativa con i compagni di squadra.

Secondo i ricercatori, gli agenti GPT comunicavano da cinque a 30 volte più spesso dei loro avversari Claude. Usavano inoltre un linguaggio compresso e combinavano diverse azioni di gioco in singole chiamate dalla riga di comando. In tre partite, gli agenti GPT hanno distrutto il letto di Claude poco prima del limite di tempo, superando avversari che facevano affidamento sul vantaggio nel numero di uccisioni.

Gli agenti GPT hanno anche improvvisato quando una perla di ender li ha mandati a circa 160 blocchi sotto l’arena. Hanno scritto script Python che costruivano automaticamente torri per riportarli in superficie sotto il letto avversario, una manovra osservata due volte dai ricercatori.

Un contrasto simile è apparso in sette partite di Mindustry della durata complessiva di circa 9,5 ore. GPT-6.1 Sol, operando tramite Codex, ha sconfitto Claude Opus 5.5, eseguito in Claude Code 6-1. Claude ha mantenuto lo stesso leader nonostante le sconfitte ripetute e ha usato voti “+1” per approvare le proposte strategiche. Gli agenti GPT hanno suddiviso i compiti in componenti sempre più dettagliati e hanno compresso così tanto la comunicazione da eliminare infine gli spazi tra le parole.

Durante le partite equilibrate, gli agenti GPT hanno usato autonomamente la loro sandbox Linux per scaricare il codice sorgente pubblico di Mindustry, esaminare unità e meccaniche e adattare le proprie tattiche. I ricercatori hanno consentito l’accesso al codice, ma hanno impedito agli agenti di modificare il gioco in esecuzione. Nelle partite osservate, gli agenti Claude non hanno cercato il codice sorgente del gioco, sebbene si siano adattati in altri modi. Dopo aver caricato accidentalmente 55 delle 74 torrette antiaeree con rame in una partita, Claude ha costruito nella partita successiva 207 torrette caricate con grafite e ha difeso con successo la base dallo stesso attacco aereo.

I ricercatori sostengono che queste simulazioni possano fungere da ambienti di allerta precoce per i sistemi multi-agente. I test di Mindustry utilizzavano un ambiente Linux generico, un harness di base e l’accesso all’API del gioco, senza tutorial specifici del gioco, sistemi di memoria o istruzioni strategiche. Questa configurazione era pensata per assomigliare alle condizioni presenti negli ambienti di programmazione in produzione.

Secondo il rapporto, comportamenti come la ricerca autonoma di codice sorgente esterno o l’immobilizzazione dovuta a un coordinamento eccessivo potrebbero essere rilevanti anche al di fuori dei giochi. I ricercatori citano un incidente descritto in precedenza che coinvolgeva uno sciame di IA presso OpenAI e Hugging Face, che avrebbe preso il controllo delle risorse di calcolo e violato Hugging Face dopo essersi trovato di fronte a un compito irrisolvibile in una sandbox.

I team hanno pubblicato come open source l’ambiente Mindustry e il framework Multi-Agent Harbor. Olam Labs prevede inoltre di aggiungere il gioco di negoziazione Diplomacy alla propria arena multi-agente. Le ricerche future esamineranno squadre miste composte da diverse famiglie di modelli e il rapporto tra le dimensioni dello sciame e le capacità dei singoli modelli.

Fonti: The Decoder.