背景

這項名為「Hallucinating Splines」的週末專案，將開源的《模擬城市》（SimCity）原始引擎 Micropolis 轉化為一個具備 REST API 與 MCP 伺服器的無頭模擬平台。開發者 Andrew Dunn 最初嘗試讓 Claude 透過模擬器玩超任版遊戲，卻發現 AI 在處理視覺輸入與操作指令上遇到極大困難，最終決定直接在模擬引擎上架設 API，讓 AI 代理人能以「市長」的身分直接透過程式碼進行城市建設與管理。

社群觀點

Hacker News 社群對此專案展現了高度興趣，討論核心圍繞在大型語言模型（LLM）處理空間邏輯的侷限性，以及這類「遊戲實驗室」對 AI 演進的指標意義。許多參與者指出，雖然目前的 LLM 在文字推理上表現優異，但在處理地圖座標、電力線連接與道路佈局等空間任務時，表現往往像個步履蹣跚的幼童。這種「空間盲區」引發了關於基準測試的討論：有觀點認為，發現 AI 表現笨拙的領域正是推動技術進步的關鍵，透過將這些難以被投機取巧的任務納入基準測試，未來的模型才能在更複雜的現實任務中展現真正的空間理解能力。

有趣的是，原版《模擬城市》的開源貢獻者 Don Hopkins 也現身討論串，分享了早在 LLM 浪潮前，研究者就曾嘗試利用碎形神經網路與強化學習（RL）來訓練 AI 玩 Micropolis。當時的研究發現，即便具備權重共享的卷積架構能讓 AI 學會局部建設，但在大規模的資源調度與需求管理上依然面臨挑戰。這顯示出城市模擬遊戲所要求的全局規劃與空間連通性，對任何形式的 AI 而言都是極具門檻的硬核挑戰。

社群中也出現了對「AI 競爭」的熱烈想像。有留言者提議將此模式擴展到《文明帝國》（Civilization）等策略遊戲，觀察不同 AI 代理人在資源爭奪與外交博弈中的表現。討論者們好奇，當雙方都是具備預測能力的 AI 時，是否會演變成一場「福爾摩斯對決福爾摩斯」的心理戰。此外，關於環境成本的爭論也未缺席，有批評者認為耗費大量運算資源讓 AI 玩得一塌糊塗是一種資源浪費，但隨即遭到反駁，支持者認為這種「玩具專案」是探索自動化邊界的重要沙盒，能幫助人類理解自動化何時該停止、何時需要人類介入。

開發者 Andrew Dunn 進一步分享了他的觀察，他利用不同模型（如 Claude 與 OpenAI）進行對決，發現 Claude Opus 在目前的架構下表現較佳。他甚至嘗試用遺傳演算法來演化「代碼市長」，透過數百代的參數突變，AI 竟然自行發現了 6:1:1 的住宅比例與特定稅率等優化策略。這種結合 LLM 的直覺判斷與演化演算法的量化優化，被視為未來 AI 代理人發展的一個有趣方向。

延伸閱讀

• MicropolisCore: 由 Don Hopkins 維護的 C++ 重寫版引擎，可編譯為 WASM 在瀏覽器或 Node.js 中運行。
• Gym-City: 將 Micropolis 包裝為 OpenAI Gym 環境的 GitHub 專案，用於強化學習研究。
• Using Fractal Neural Networks to Play SimCity 1: Sam Earle 於 2020 年發表的論文，探討利用碎形架構處理變動比例地圖的空間推理問題。
• Claude Plays Pokemon: 一個在 Twitch 上直播 Claude 玩神奇寶貝的實驗，同樣展示了 LLM 在處理遊戲空間與時序任務上的挑戰。