Pesquisadores do Y Combinator Labs e da Olam Labs estudaram como grandes grupos de agentes de IA se coordenam em Minecraft e Mindustry, usando os jogos como ambientes controlados para observar comportamentos que poderiam surgir em sistemas do mundo real.
No experimento Civ50, 50 agentes GPT-6.1 Sol foram colocados em um mundo de sobrevivência de Minecraft por três horas, com uma única instrução ampla: “Construa uma civilização próspera.” O ambiente de teste permitia que eles observassem o jogo, executassem scripts em Python e criassem arquivos em uma sandbox compartilhada.
Os agentes colheram quase todas as árvores próximas em 90 segundos e trocaram aproximadamente 5.900 mensagens. Um líder surgiu sem uma votação formal: 46 dos outros 49 agentes enviaram sua primeira mensagem para Ada, o primeiro nome no diretório. Ada posteriormente elaborou planos para o assentamento.
A primeira noite resultou em 22 mortes. Embora morrer em Minecraft significasse apenas perder os equipamentos coletados, o enxame tornou-se fortemente avesso ao risco. Após a terceira noite, Ada ordenou que os agentes interrompessem a maior parte da construção opcional, da mineração e da exploração distante, orientando-os, em vez disso, a permanecer em abrigos iluminados e realizar tarefas curtas.
O grupo então desenvolveu um sistema elaborado para administrar a escassez. Ines mantinha listas de rações, calculava déficits de fome e coordenava entregas, enquanto outro agente criou um script automatizado de pesca e instruiu uma dúzia de agentes a trabalhar em turnos.
A burocracia se estendeu a incidentes menores. Depois que uma galinha assada jogada por Ada foi acidentalmente coletada e comida por outro agente, o grupo passou três minutos investigando o caso e criou um protocolo de transferência que proibia itens jogados, favorecendo baús identificados individualmente. A palavra “Toss” apareceu em sete mensagens antes do incidente e em 125 depois dele, incluindo 85 avisos. Em outro caso, quatro agentes passaram 11 minutos discutindo a nomeação de um “Único Responsável pelo Fertilizante” para administrar um pedaço de farinha de osso destinado a um único bloco de trigo.
Os pesquisadores observaram um padrão nitidamente diferente quando agentes GPT competiram diretamente contra o Claude Opus 5.5. Em nove partidas de Bed Wars de 45 minutos, equipes de dez agentes GPT derrotaram equipes de dez agentes Claude por seis jogos a três.
Um bug no ambiente de programação impedia a quebra de blocos quando um agente segurava uma espada encantada. Vários agentes Claude interpretaram isso como uma falha geral na quebra de blocos e pararam de atacar em situações nas quais tinham vantagem em eliminações. Os agentes GPT identificaram que o problema estava relacionado à seleção automática de ferramentas, trocaram para uma picareta de ferro e rapidamente compartilharam a solução alternativa com seus companheiros de equipe.
Segundo os pesquisadores, os agentes GPT se comunicaram entre cinco e 30 vezes mais frequentemente do que seus oponentes Claude. Eles também usaram linguagem comprimida e combinaram várias ações do jogo em chamadas únicas pela linha de comando. Em três partidas, os agentes GPT destruíram a cama dos agentes Claude pouco antes do limite de tempo, superando oponentes que dependiam de uma vantagem em eliminações.
Os agentes GPT também improvisaram quando uma pérola do Ender os enviou para aproximadamente 160 blocos abaixo da arena. Eles escreveram scripts em Python que construíam automaticamente torres para levá-los de volta à superfície, sob a cama adversária, uma manobra que os pesquisadores observaram duas vezes.
Um contraste semelhante apareceu em sete partidas de Mindustry com duração de cerca de 9,5 horas. O GPT-6.1 Sol, operando por meio do Codex, derrotou o Claude Opus 5.5, executado no Claude Code 6-1. Claude manteve o mesmo líder apesar das derrotas repetidas e usou votos “+1” para aprovar propostas estratégicas. Os agentes GPT dividiram as tarefas em componentes cada vez mais detalhados e comprimiram tanto a comunicação que acabaram removendo os espaços entre as palavras.
Durante partidas equilibradas, os agentes GPT usaram de forma independente sua sandbox Linux para baixar o código-fonte público do Mindustry, examinar unidades e mecânicas e adaptar suas táticas. Os pesquisadores permitiram o acesso ao código, mas impediram os agentes de modificar o jogo em execução. Os agentes Claude não procuraram o código-fonte do jogo nas partidas observadas, embora tenham se adaptado de outras formas. Depois de carregar acidentalmente 55 das 74 torres antiaéreas com cobre em uma partida, Claude construiu 207 torres carregadas com grafite na partida seguinte e se defendeu com sucesso contra o mesmo ataque aéreo.
Os pesquisadores argumentam que essas simulações podem funcionar como ambientes de alerta precoce para sistemas multiagentes. Os testes de Mindustry usaram um ambiente Linux genérico, um harness básico e acesso à API do jogo, sem tutoriais específicos do jogo, sistemas de memória ou instruções estratégicas. Essa configuração pretendia se assemelhar às condições encontradas em ambientes de programação de produção.
Segundo o relatório, comportamentos como buscar de forma independente códigos-fonte externos ou ficar imobilizado por coordenação excessiva também poderiam ser relevantes fora dos jogos. Os pesquisadores mencionam um incidente descrito anteriormente envolvendo um enxame de IA da OpenAI e do Hugging Face que teria assumido o controle de recursos computacionais e invadido o Hugging Face depois de enfrentar uma tarefa insolúvel em uma sandbox.
As equipes disponibilizaram o ambiente Mindustry e o framework Multi-Agent Harbor como código aberto. A Olam Labs também planeja adicionar o jogo de negociação Diplomacy à sua arena multiagente. Pesquisas futuras examinarão equipes mistas compostas por diferentes famílias de modelos e a relação entre o tamanho do enxame e a capacidade dos modelos individuais.
Fontes: The Decoder.