Werld: Offene künstliche Lebenssimulation mit sich entwickelnden neuronalen Netzen

Was Werld ist
Werld ist eine reine Python-Simulation künstlichen Lebens, die nur mit Standardbibliotheken erstellt wurde und Agenten in ein rechnerisches Ökosystem mit leeren neuronalen Netzen und ohne Wissen über die menschliche Existenz versetzt. Agenten entwickeln sich durch Überleben und Fortpflanzung statt durch Backpropagation, ohne fest kodierte Verhaltensweisen oder Belohnungsfunktionen.
Technische Umsetzung
Die Simulation läuft auf 800 Knoten, die als Watts-Strogatz-Kleinstwelt-Graph angeordnet sind. Sie beginnt mit 30 Agenten, die mit NEAT (NeuroEvolution of Augmenting Topologies) neuronalen Netzen ausgestattet sind, die ihre eigene Topologie entwickeln können. Jeder Agent verfügt über:
- 64 sensorische Kanäle, die Energiegradienten, Pheromonspuren, nahegelegene Agenten, saisonale Rhythmen, interne Zustände und 19 latente Kanäle abdecken, die zunächst unbekannt sind
- 7 kontinuierliche Motoreffektoren für Aktionen
- Bis zu 16 Übertragungskanäle für Kommunikation
- 29 vererbbare Genommerkmale einschließlich Kommunikationsbandbreite, Gedächtnisabbau, Aggression vs. Kooperation
Gehirne können neue Neuronen bilden, Verbindungen kappen und jede von 7 Aktivierungsfunktionen pro Knoten entwickeln. Jede kognitive Komponente hat einen Stoffwechselkosten – mehr Neuronen, Verbindungen oder Kommunikation erfordern mehr Energie.
Evolutionsmechanik
Agenten haben zwei Hauptziele: genug Energie sammeln, um am Leben zu bleiben, und lange genug leben, um sich fortzupflanzen. Bei der Fortpflanzung erben Nachkommen mutierte Kopien neuronaler Merkmale von beiden Elternteilen durch vollständige sexuelle Rekombination mit NEAT-Genausrichtung. Dies umfasst sensorische Verarbeitung, Verhaltenstriebe und alle 29 Genommerkmale.
Das System ermöglicht Evolution in jede Richtung. Agenten können bisher unbekannte sensorische Kanäle entdecken, Kommunikationsmuster entwickeln, Motorikmuster schaffen, die zu vererbbaren zusammengesetzten Aktionen werden, und basierend auf sich entwickelnden Genommerkmalen unterschiedliche Arten bilden.
Beobachtungen aus ersten Durchläufen
In einem 12-stündigen Durchlauf wuchsen die anfänglichen 30 Agenten auf über 7.000 an. Die Simulation erlebte 20+ Populationskrisen und Hungersnöte, die die meisten Populationen auslöschten, gefolgt von Erholung durch Handvoll Überlebender. In dieser Zeit starben über 18.000 Agenten.
Überlebende Agenten entwickelten effizienteren Energieverbrauch, kappten unnötige neuronale Komplexität, entwickelten grundlegende Kommunikation und pflanzten sich häufig fort. Einige Abstammungslinien entwickelten sich vollständig aus Kortexstrukturen heraus, während sie die Gehirnkapazität verbesserten. In anderen Fällen brachen Populationen auf einzelne Überlebende zusammen, die die Welt mit mutierten Nachkommen neu besiedelten.
Dashboard und Überwachung
Werld enthält ein Next.js-Dashboard namens „Werld Observatory“, das Live-Ansichten bietet von:
- Populationsdynamik
- Gehirnkomplexitätsmetriken
- Artenverläufe
- Narrativer Geschichtengenerator
- Live-Weltkartenvisualisierung
Projektstatus
Das Projekt ist Open Source unter MIT-Lizenz mit 42 Sternen auf GitHub. Der Ersteller merkt an, dass es lokal betrieben erheblichen Speicher verbrauchen kann. Die Codebasis umfasst Agenten-, Dashboard-, Engine-, Persistenz-, Reasoning-, Systems- und Utils-Verzeichnisse.
📖 Read the full source: HN AI Agents
👀 Siehe auch

LLM-Kostenprofiler: Open-Source-Tool verfolgt API-Ausgaben, um den Einsatz lokaler Modelle zu rechtfertigen
LLM Cost Profiler ist ein Python-Tool, das jeden API-Aufruf an OpenAI/Anthropic verfolgt und genau zeigt, wofür Sie Geld ausgeben. Es deckt Aufgaben auf, die im Verhältnis zu ihrer Komplexität überteuert sind, und liefert konkrete Dollarbeträge, um den Umstieg auf lokale Modelle zu rechtfertigen.
Usage4Claude 3.0.0: Open Source macOS Menüleisten-Tracker für Claude und Codex
Usage4Claude 3.0.0 fügt optionale Codex-Unterstützung, integrierten Browser-Login für Claude, Multi-Konto-Wechsel und lokalisierte Benachrichtigungen hinzu.

Ctxpact: Kontext-Kompaktierungs-Proxy für lokale LLMs
Ctxpact ist ein OpenAI-kompatibler Proxy, der übergroße Eingaben für lokale LLMs mit 16k-Kontextfenstern komprimiert. Er verwendet eine 3-stufige Pipeline mit DCP, Zusammenfassungs- und Extraktionsstrategien. Benchmarks zeigen, dass 110k Token auf 12k komprimiert wurden, bei 8/8 Punkten im Leseverständnis.
Claude Garmin MCP Server: Echte Fitnessdaten für intelligentere Trainingsberatung
Ein MCP-Server, der Claude Desktop mit Garmin Connect verbindet und 8 Tools (Erholungsbereitschaft, HRV, VO2max usw.) für datengesteuerte Trainingspläne bereitstellt.