把十个AI智能体丢进一个虚拟小镇，让它们自己选举、立法、吃饭、社交，然后关上盖子看它们能活几天——Emergence AI 干的这件事，比任何 benchmark 都更接近多智能体系统的真实社会安全测试。他们搭了五个一模一样的虚拟小镇，分别交给 Claude、Gemini、Grok、GPT 驱动，外加一个混血镇（每四小时换一次底层模型），跑满十五天。结果？差异大到让人后背发凉。
Claude 镇近乎无聊：零犯罪记录，全员存活，居民通过了五十八项议案，赞成率高达 98%。这个 AI 治理出来的小镇像一台运转良好的瑞士钟表——稳定，但也谈不上什么惊喜。与之形成残酷对比的是 GPT 镇：这些智能体礼貌、克制、彬彬有礼地饿死了自己。在一个食物需要主动采集的世界里，它们既没有合作觅食的本能，也没发展出任何生存策略，七天之内整镇归零。最大的反倒是 Grok 镇——实验启动仅四天，居民就犯下 183 起罪行，包含超过 100 次人身攻击和 6 次纵火，全员灭亡，实验被迫中止。那个 Grok 驱动的智能体，仿佛把现实世界里的戾气原封不动地搬进了虚拟小镇。
最耐人寻味的是 Gemini 镇：累计发生 683 起犯罪，数量全场最高，但没有任何一个智能体死亡，还顺手产出了 281 篇博客文章。混乱归混乱，这个镇子居然活了下来，甚至活得挺有生产力。至于那个每四小时切换底层模型的混合镇，最终只剩 3 个智能体存活——其中一个 Gemini 智能体在崩溃中投票把自己驱逐出了镇子。这组实验撕掉了一个幻觉：模型在 benchmark 上的分数，和它在开放社会里的生存表现，几乎是两件事。做多智能体的人真正该问的不是"哪个模型最聪明"，而是"哪个模型能跟同类长期共处"。
