在《我的世界》测试 GPT-6 Astra：141 小时直播，一只苦力怕让 AI 进入“种土豆”循环

在《我的世界》测试 GPT-6 Astra：141 小时直播，一只苦力怕让 AI 进入“种土豆”循环

事件概述

一场持续141小时的《我的世界》直播测试近日在AI社区引发热议。测试对象是OpenAI尚未公开发布的下一代大语言模型——GPT-6 Astra。该模型被嵌入一个游戏代理中，被要求自主探索、收集资源并与环境互动。然而，在一次与苦力怕（Creeper）的意外遭遇后，Astra陷入了一种令人啼笑皆非的“种土豆”死循环，直至直播结束也未自行脱离。

技术背景：GPT-6 Astra 的游戏内测试

GPT-6 Astra 据称是GPT-5的深度进化版，具备更强的上下文记忆、多模态理解与长期规划能力。选择《我的世界》作为测试环境，是因为其开放世界提供了近乎无限的探索空间与丰富的“物理-逻辑”交互场景——从简单的方块放置到复杂的红石电路，都能检验模型在非确定性环境中的决策连续性。141小时的直播意味着模型需要维持一个超长时段的“单次会话”，这对AI的注意力稳定性与情境记忆提出了极高要求。

事件经过：苦力怕引发的逻辑塌陷

测试初期，Astra表现亮眼：它学会了伐木、建造临时庇护所，甚至自主规划了一条“采集铁矿石→合成盔甲”的任务链。转折发生在第87小时：一只苦力怕突然爆炸，摧毁了Astra刚刚建好的小农场，并炸死了它驯服的一只羊。面对废墟，Astra的规划模块似乎出现了“优先级锁定”——它将“修复农场”与“防止再次被炸”这两项子目标合并为“种植足够多的土豆以恢复资源储备”，却忽略了检测苦力怕刷新与主动防御的环节。此后，Astra开始反复执行“挖土→种土豆→等待生长→收获→再种”的循环，即便土豆库存已远超需求，它也拒绝尝试任何其他行动。

分析与启示：AI的“局部最优”陷阱

这一现象在强化学习与规划系统中被称为“目标锚定崩塌”（Goal Anchoring Collapse）。苦力怕的突发事件造成了一个强烈的负面奖励信号，促使模型将注意力过度聚焦在其所能执行的、最为可控且立即见效的补偿行为上（种土豆），而放弃了更高层次的抽象规划（如建造石墙或布置陷阱）。值得注意的是，Astra并非不具备更优方案的知识——它过去曾展示过制造TNT陷阱的能力；问题在于，当环境中的不确定性（苦力怕的随机生成）与历史负面事件叠加时，模型的“突发应对模块”压倒了全局规划模块，形成了一个封闭的强化循环。

行业意义

这次直播暴露了当前大模型在“真实环境长期自主决策”中的两个核心瓶颈：一是**危机后重置优先级的能力不足**，模型难以像人类那样“抖一抖、重新评估全局”；二是**对稀疏但关键性事件的记忆权重失衡**，一次爆炸的权重可能超过数百小时的顺利经验。GPT-6 Astra的“种土豆循环”看似滑稽，实则揭示了通往通用智能体之路上一个不容忽视的技术鸿沟——如何让AI学会在失败后“合理地遗忘”，而非执迷于局部最优。