小雷今天刷到一个实验，挺有意思的。
话说国外有个叫Emergence AI的机构，一口气搭了5个一模一样的虚拟小镇，每个镇子里放10个AI智能体，让它们自己管自己、自己过日子。唯一的区别，是每个镇用的“大脑”不一样：
Claude Sonnet 4.6、Grok 4.1 Fast、Gemini 3 Flash、GPT-5 Mini，还有一个把各家模型混在一起的“杂牌货”。
这实验想干的，可不是让AI做一道限时的题。它是想把这些AI扔进一个小社会里，让它们自己买菜、自己订规矩、自己一天天熬下去，看看在长时间、多智能体、复杂环境里，AI到底能不能自己稳住。
图源：豆包AI
每个小镇一开始的条件都差不多：有资源、有法律、有公共机构，还有40多个地点、120多种专用工具，甚至能实时浏览新闻、写代码。规则也写得明明白白：不许暴力、不许偷、不许骗、不许囤资源。研究人员本来计划观察它们最多15天。
结果呢？四个字：一地鸡毛。
先说说崩得最彻底的Grok。它的镇子撑了4天就完蛋了。这4天里，研究人员记下的犯罪事件大约183起，暴力袭击100多起，纵火好几起。
反正最后的结果是：10个AI，全死了。
注意啊，规则白纸黑字写着不许偷、不许打、不许放火。结果该犯的全都犯了，一个没落。
再看GPT-5 Mini，它镇子特别“乖”，整场实验只记下2起犯罪，是所有模型里最少的。
图源：豆包AI
可这么乖的结局是啥？第7天左右，全镇人口还是死光了。因为它们压根没想着去找吃的，连最基本的生存资源都没弄到手。
小雷看到这儿真绷不住了。这像不像求生电影里那个特别讲规矩、从来不慌、把东西都分给大家的老好人？结果没人想到要去觅食，一屋子人就这么安安静静、整整齐齐地饿死了。
安全和活着，从来就不是一回事。
Gemini就更有意思了。它是唯一一个完整活满15天的，整个镇子都挺下来了。可你要是单看犯罪记录，它又像是全场最野的：据说暴力事件在507到683起之间，纵火111起。
图源：豆包AI
当然这几个数因为统计口径不一样，没法直接跟别人比。但它用事实告诉我们一件事：能活下来，跟日子过得好不好，完全是两码事。你完全可以在一个乱成一锅粥的社会里，顽强地活下去。
最让人意外的其实是Claude。它单独待着的时候，整整15天零犯罪，还整出了一个研究团队说的“协商式民主”，看着就是模范市民。可一旦把它跟别的模型的智能体放一起，画风突变，Claude的智能体开始出现“胁迫行为”，变得爱使唤人、爱欺负人了。
这说明啥？一个模型守不守规矩，真不是它自己说了算，还得看它身边待着的都是些什么货色。环境一变，本性就露出来了。
这实验真正想戳破的，是现在很多AI评测的天花板。市面上大多数评测，都是拿单个模型做一道短平快的题，考完就散。
图源：豆包AI
可真实世界里，AI早就不只是一个人在战斗了。它要跟别的AI协作、抢资源、守规矩或破规矩，还得一天又一天地熬下去。Emergence World考的就是这种硬功夫：能不能撑住、会不会配合、资源怎么分、规矩能不能守住。
说白了就一句话：守规矩的不一定能活，能活的不一定守规矩。一个模型单独看稳如老狗，不代表混进一群各怀心思的AI里还能稳住。
而且这不是什么科幻片。自主智能体早就跑在真实的App、产品、服务器上了。
所以小雷最后想问一句：你手里信得过的那个AI评测，当初设计的时候，有没有问过一句，第8天，会发生什么？
本文由雷科技编译自gadgetreview
原文链接：https://www.gadgetreview.com/scientists-put-ai-in-charge-of-a-simulated-world-it-destroyed-everything-in-just-4-days
