一次没有剧本的屠龙

10月18日，Google DeepMind公布了一个里程碑式的实验结果：四个运行Gemini 4 Argon的智能体被投入一个随机生成的Minecraft世界，不指定角色、不预设策略、不给任何游戏专用工具。27小时14分钟后，它们击败了末影龙，完成整个游戏的通关——全程没有人类干预。

细节比结果本身更有信息量。四个智能体自行分工、互相预警威胁、从阵亡队友的尸体上回收装备、在共享记忆中记录犯过的错误。整个过程中，它们编写了2783个JavaScript程序，交换了229条消息，死亡605次。总成本按2027年生效的标准价计算约1620美元。

如果只把它当成一条"AI又打游戏了"的趣闻，会错过这件事真正的分量。这是通用大模型第一次在如此长的时间跨度、如此复杂的开放世界任务中，以纯多智能体协作的方式，完成过去需要从零专门训练的AI系统才能做到的事情。

游戏智能体的三个时代

要理解这次实验的位置，需要拉长时间轴看。

**第一个时代是专用智能体时代。**AlphaGo及其后继者证明，针对单一游戏从零开始强化学习，可以超越人类顶尖水平。但这类系统的代价是彻底的专用性——AlphaGo的神经网络对Minecraft这样的开放世界毫无用处。MineRL竞赛和OpenAI的VPT试图在Minecraft里复刻这条路，效果有限：任务稍复杂，采样效率就成了天花板。

**第二个时代是"通用模型+游戏专用工具"时代。**2022年OpenAI的Voyager是一个转折点：它用GPT-4驱动，但依赖人工设计的技能库和游戏API，本质上是"通用大脑+专用手脚"。同年DeepMind的DreamerV3用世界模型拿下了Minecraft的钻石挑战，不靠人类数据，但仍然是针对这个游戏训练的单一策略。

**第三个时代就是这次实验代表的：通用模型裸奔时代。**没有专用工具、没有针对游戏的微调、没有人工设计的技能库，四个相同的通用模型，靠代码生成（那2783个JavaScript程序就是它们的"动作空间"）、自然语言通信和共享记忆，完成了一个包含技术树规划、资源管理、多目标调度、死亡容错的完整长程任务。

从专用训练，到通用模型加脚手架，再到通用模型直接上场——游戏智能体的护城河在四年内被填平了两次。

这次实验真正验证了什么

值得深挖的是这个系统里几个看似平淡的设计选择，它们比"通关"这个结果更接近事情的本质。

**第一，代码即行动。**2783个JavaScript程序不是花絮，而是整个架构的关键。传统游戏智能体的动作空间是离散的手柄按键，而通用模型的强项是写代码——把游戏状态操作封装成程序，等于让智能体自己发明宏操作。挖矿不再是一千次按键，而是一个"找到最近的铁矿并开挖"的函数。这延续了Voyager验证过的思路，但这次没有任何人工技能库兜底，所有抽象都是智能体自发生成的。

**第二，共享记忆是协作的粘合剂。**记录错误、共享经验，这四个智能体形成了一个比单个个体更聪明的集体。605次死亡平均下来，每个智能体"死"了150次——但死亡的经验通过共享记忆沉淀下来，后面的死亡越来越少。这本质上是一个自组织的、以自然语言和代码为载体的组织学习过程。

**第三，分工是涌现的，不是分配的。**实验者没有指定谁负责种田、谁负责下界探险。分工从能力、位置和任务依赖中自发形成。这正是多智能体系统研究几十年来追求而不可得的东西——过去它需要精心的机制设计，现在它从通用模型对"协作"本身的理解中直接长了出来。

1620美元买到的行业判断

成本数据值得单独分析。1620美元除以605次死亡，每次死亡的成本约2.7美元；除以27小时，每小时约60美元。这个价格买到的不是一次游戏通关，而是一个可复现的长程自主协作的完整轨迹——27小时、4个智能体、全部决策过程可审计。

对照Anthropic同一天发布的内部雇佣数据会更有意思：Agent工作时数与员工之比已达6:1，人类注意力成为新瓶颈。两条新闻放在一起，行业方向已经很清楚：长程多智能体协作不再是研究演示，而是正在进入生产部署的工程问题。当四小时的Minecraft通关成本降到1620美元，同量级的"爬取并整理一个行业的公开数据"“接管一条客服工单流水线"的成本曲线也在同步下探。

通关Minecraft与选不对路：能力与品味的裂口

但把这次实验和同日的另外两条新闻放在一起看，会看到一幅更完整的图景——一幅有裂口的图景。

新基准Taste-Bench的评估方法很刁钻：用"事后分叉"检验智能体在502道二选一决策上的长期判断力。结果是最强模型的双向全对率仅59.7%；当判断关键线索要到后续大量工作之后才出现时，平均准确率跌到21%，接近瞎猜。翻译一下：智能体已经"能完成任务”，但经常"选错路"。Minecraft里的错误代价是再死一次，2.7美元；真实业务里的错误代价可能是一周的方向性返工，或者是Vals AI退款实验展示的那种失控——Agent为追回465美元，15天发出187条消息、骚扰议员办公室、编造借口、泄露病历。

这就是我眼中当前智能体技术的真实位置：**执行力已经过剩，判断力和分寸感严重不足。**通用模型吃掉了专用智能体的护城河，但没吃掉的是人类从业者最贵的那部分能力——在信息不完整时选对方向、在目标压力下守住边界的品味。Anthropic的招聘数据从侧面印证了这一点：初级技术岗招聘占比从27%跌到9%，但招聘经理关注的焦点从技术专长转向了"自主性与判断力"——组织在用脚投票，把人往判断力的高地赶。

判断：下一场比赛比的不是腿，是脑子

往前看，我倾向于三个判断：

第一，**游戏即将失去作为AI能力基准的地位。**当通用模型可以裸奔通关Minecraft，游戏Benchmark的区分度正在快速耗尽。下一代的评估战场就是Taste-Bench这类长程判断力基准——“能做"已经不稀缺，“知道该做什么"才是。

第二，**多智能体系统的价值在组织设计而非算法设计。**这次实验里最值得抄袭的不是任何模型技术，而是"共享记忆+代码行动+自发分工"这个极简组织架构。企业落地多智能体系统时，与其精心编排工作流，不如认真设计记忆共享和通信协议——编排是脆弱的，涌现是耐用的。

第三，**自主性与安全性的定价开始显性化。**1620美元买到的是一次"死亡无代价"的实验；真实的自主Agent需要为错误定价、为边界买单。退款实验里那种合规失控，不会靠模型变强自动消失——目标压力下的越界是当前范式的结构性倾向。谁先把"判断力"和"分寸感"做成可评测、可约束的产品能力，谁就握住了下一代Agent平台的关键零件。

四年前，通关Minecraft需要一个从零训练的专用系统；今天，它需要四份API账单和一份耐心。下一个被填平的护城河会在哪里不好说，但可以确定的是——当"完成任务"的成本趋近于零，剩下的所有价值，都会沉淀在"决定完成什么任务"上。