Симуляция жизни нейросети: 100 агентов прожили 10 лет и дали данные лучше Claude

Статья об эксперименте Agentopia появилась на arxiv.org несколько дней назад. Независимый ИИ-исследователь Михаил Сальников, автор бенчмарка AI Independence Bench, разобрал архитектуру проекта на Хабре. Суть: вместо того чтобы искать новые массивы «живых» текстов, авторы построили виртуальное общество, где ИИ-агенты (agent, автономная программа, действующая от имени персонажа) сами принимают решения, заводят друзей, ссорятся из-за денег, выгорают и меняют профессию. Никаких скриптов. Только наблюдение и сбор данных.

Что понадобится

• Доступ к статье Agentopia на arxiv.org (бесплатно)
• Понимание базовой архитектуры: что такое ИИ-агент и как работает дообучение (fine-tuning, обучение модели на специфических примерах под узкую задачу)
• Для воспроизведения: мощная языковая модель уровня Qwen3.5-397B-A17B (открытые веса, open weights, то есть разработчик публикует параметры модели, но условия использования могут отличаться от полностью свободных)
• Время на чтение и осмысление: 20-30 минут

Как устроена симуляция жизни нейросети: пошаговая инструкция

1. Создайте агентов с памятью. Каждый ИИ-агент получает профиль и личные файлы памяти. Агент сам решает, что записать, обновить или забыть через функции read_file и update_file. Он ведёт собственный дневник, а не получает записи от движка.

2. Задайте ритм жизни. Неделя агента состоит из четырёх фаз: планирование, контакты, активность, рефлексия (Plan, Contact, Activity, Review). Этот цикл повторяется на протяжении 10 виртуальных лет.

3. Назначьте модель среды вместо жёстких правил. Вместо тысяч скриптов реальностью управляет одна нейросеть. Она работает как ведущий в настольной ролевой игре: создаёт события, оценивает правдоподобность поступков, определяет очерёдность реплик и фильтрует галлюцинации (hallucination, когда ИИ уверенно выдумывает то, чего не было), блокируя нехарактерные для персонажа действия.

4. Настройте систему оценки жизненного успеха. Авторы Agentopia используют три компонента: социальный статус, экономическое благополучие и субъективную удовлетворённость. Последняя построена на пирамиде Маслоу и отслеживается через четыре метрики: настроение, материальная обеспеченность, социализация и признание. Агент неявно стремится эту оценку максимизировать.

5. Запустите мир и не вмешивайтесь. В Agentopia доступны три мира: The Campus (китайская школа), The Apartment (нью-йоркская коммуналка) и Arcane Academy (магическая академия). В каждом живут 100 агентов. Базовая нейросеть для агентов и ведущего среды одна и та же: Qwen3.5-397B-A17B.

6. Соберите синтетический опыт и дообучите модель. Накопленные за 10 виртуальных лет «прожитые» сценарии используются как обучающие данные. По результатам авторов, базовая нейросеть после дообучения на этих данных стала лучше понимать человеческое поведение, чем Claude, по ряду задач.

Что происходит, когда агенты начинают жить?

Самое показательное в Agentopia: незапланированные социальные явления. Агенты без единого скрипта начали дарить друг другу подарки, передавая их из поколения в поколение. Одна компания друзей соблюдала ритуалы выходного дня более 55 недель подряд.

Один агент-консультант с доходом 500 долларов в неделю бросил карьеру и стал гидом по скалолазанию, потеряв 56% дохода. Его «запас жизненных сил» упал до нуля, но к концу десятилетия настроение выросло на 112%, а сбережения увеличились. Никто не подсказывал: ИИ-агент сам воспроизвёл дилемму «деньги или смысл».

Другой агент вёл гиперактивную социальную жизнь: 402 совместных дела, почти 80% всех школьных событий. Итог: эмоциональное выгорание, запас жизненных сил с 70 до 0. Сценарий выгорания никто не программировал.

Именно способность симуляции жизни нейросети порождать подобные незапланированные паттерны и делает синтетические данные ценными для дообучения: модель учится не на шаблонах, а на «прожитом» опыте с непредсказуемыми последствиями.

Что делать с этим прямо сейчас?

Авторам Дзена. Подход Agentopia показывает: контент, основанный на «синтетическом опыте», уже конкурирует с ответами моделей, обученных на реальных текстах. Ваш живой опыт, личные истории и нестандартные наблюдения, это именно тот тип данных, которые нейросети пока не могут сгенерировать сами. Пока не могут.

Разработчикам в РФ и СНГ. Симуляция жизни нейросети открывает способ генерировать локализованные обучающие данные без зависимости от англоязычного интернета. Вместо поиска русскоязычных корпусов можно построить виртуальный мир с русскоязычными агентами и получить синтетический опыт, адаптированный под местную культуру и поведение. Из доступных в РФ моделей для экспериментов подойдут YandexGPT и открытые модели семейства Qwen.

Маркетологам. Если модели учатся на «прожитых» социальных сценариях, а не на текстах с сайтов, меняется природа ИИ-ассистентов для бизнеса. Нейросеть, обученная на данных из виртуального общества, лучше предсказывает эмоциональные реакции и социальную динамику, а это напрямую касается персонализации и работы с аудиторией.

Виртуальные миры, в которых нейросети проживают собственные судьбы, перестали быть экспериментом ради эксперимента. Когда модель, дообученная на «синтетических жизнях», обходит коммерческие решения по пониманию человеческого поведения, это практический аргумент: данные можно не только собирать, но и выращивать.

По материалам Habr ML