Werld: Offene künstliche Lebenssimulation mit sich entwickelnden neuronalen Netzen

✍️ OpenClawRadar📅 Veröffentlicht: 1. März 2026🔗 Source
Werld: Offene künstliche Lebenssimulation mit sich entwickelnden neuronalen Netzen
Ad

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.

Ad

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

Ad

👀 Siehe auch

Hybride Suche mit RRF verbessert KI-Gedächtnissystem im Vergleich zu reiner Vektorsuche
Werkzeuge

Hybride Suche mit RRF verbessert KI-Gedächtnissystem im Vergleich zu reiner Vektorsuche

Ein Open-Source-AI-Gedächtnissystem mit PostgreSQL und pgvector stellte fest, dass reine Vektorsuche für exakte Übereinstimmungen unzureichend ist, fügte daher Volltextsuche hinzu und fusionierte Ergebnisse mittels Reciprocal Rank Fusion (RRF) mit k=60 sowie Abfrageanreicherung via Tokenizer.

OpenClawRadar
Slack-Nachrichtenformatierer: Repariere Claudes kaputtes Markdown in Slack
Werkzeuge

Slack-Nachrichtenformatierer: Repariere Claudes kaputtes Markdown in Slack

Ein Entwickler hat eine Fähigkeit erstellt, die von Claude generiertes Markdown in eine ordnungsgemäße Slack-Formatierung umwandelt. Damit werden Probleme gelöst, bei denen fettgedruckter Text als Sternchen angezeigt wird, Links roh erscheinen und Tabellen zerbrechen. Das Tool bietet sowohl eine Browser-Vorschau mit reichhaltigem HTML-Kopieren und Einfügen als auch API-Webhook-Unterstützung.

OpenClawRadar
Verwendung eines lokalen LLM als Claude-Code-Subagent zur Reduzierung des Kontextverbrauchs
Werkzeuge

Verwendung eines lokalen LLM als Claude-Code-Subagent zur Reduzierung des Kontextverbrauchs

Ein Reddit-Nutzer zeigt, wie Claude Code Aufgaben an ein lokales LLM delegieren kann, das über LM Studio läuft, wobei der Dateiinhalt außerhalb von Claudes Kontext bleibt. Das Setup verwendet ein Python-Skript mit etwa 120 Zeilen und die Tool-Calling-API von LM Studio, um Dateioperationen lokal zu handhaben.

OpenClawRadar
RunAnywhere RCLI: On-Device Voice AI-Pipeline für Apple Silicon
Werkzeuge

RunAnywhere RCLI: On-Device Voice AI-Pipeline für Apple Silicon

RunAnywhere hat RCLI veröffentlicht, eine Open-Source-Sprach-KI-Pipeline für macOS, die STT, LLM und TTS vollständig auf Apple Silicon Geräten ausführt. Das Tool nutzt ihre proprietäre MetalRT-Inferenz-Engine und verspricht deutliche Leistungsverbesserungen gegenüber bestehenden Lösungen.

OpenClawRadar