Werld: Simulação de Vida Artificial de Mundo Aberto com Redes Neurais Evolutivas

O que é Werld
Werld é uma simulação de vida artificial puramente em Python construída apenas com bibliotecas padrão que coloca agentes em um ecossistema computacional com redes neurais em branco e zero conhecimento da existência humana. Os agentes evoluem através de sobrevivência e reprodução em vez de retropropagação, sem comportamentos pré-programados ou funções de recompensa.
Implementação Técnica
A simulação roda em 800 nós organizados como um grafo de mundo pequeno Watts-Strogatz. Começa com 30 agentes equipados com redes neurais NEAT (NeuroEvolution of Augmenting Topologies) que podem evoluir sua própria topologia. Cada agente possui:
- 64 canais sensoriais cobrindo gradientes de energia, trilhas de feromônio, agentes próximos, ritmos sazonais, estado interno e 19 canais latentes que começam como desconhecidos
- 7 efetores motores contínuos para ação
- Até 16 canais de transmissão para comunicação
- 29 traços genômicos hereditários incluindo largura de banda de comunicação, decaimento de memória, agressão vs cooperação
Os cérebros podem criar novos neurônios, podar conexões e evoluir qualquer uma das 7 funções de ativação por nó. Cada componente cognitivo tem um custo metabólico - mais neurônios, conexões ou comunicação requer mais energia.
Mecânica de Evolução
Os agentes têm dois objetivos principais: colher energia suficiente para se manter vivos e viver o suficiente para se reproduzir. Quando se reproduzem, os descendentes herdam cópias mutadas dos traços neurais de ambos os pais através de cruzamento sexual completo com alinhamento de genes NEAT. Isso inclui processamento sensorial, impulsos comportamentais e todos os 29 traços genômicos.
O sistema permite evolução em qualquer direção. Os agentes podem descobrir canais sensoriais anteriormente desconhecidos, desenvolver padrões de comunicação, criar padrões motores que se tornam ações compostas hereditárias e formar espécies distintas baseadas em traços genômicos em evolução.
Observações das Execuções Iniciais
Em uma execução de 12 horas, os 30 agentes iniciais cresceram para mais de 7.000. A simulação experimentou mais de 20 crises populacionais e fomes que eliminaram a maioria das populações, seguidas de recuperação a partir de punhados de sobreviventes. Mais de 18.000 agentes morreram durante este período.
Os agentes sobreviventes evoluíram consumo de energia mais eficiente, podaram complexidade neural desnecessária, desenvolveram comunicação básica e se reproduziram frequentemente. Algumas linhagens evoluíram completamente fora de estruturas corticais enquanto melhoravam a capacidade cerebral. Em outros casos, populações colapsaram para sobreviventes únicos que repovoaram o mundo com descendentes mutados.
Painel e Monitoramento
Werld inclui um painel Next.js chamado "Werld Observatory" que fornece visualizações ao vivo de:
- Dinâmica populacional
- Métricas de complexidade cerebral
- Trajetórias de espécies
- Gerador de histórias narrativas
- Visualização de mapa mundial ao vivo
Status do Projeto
O projeto é de código aberto sob licença MIT com 42 estrelas no GitHub. O criador observa que pode consumir armazenamento significativo quando executado localmente. A base de código inclui diretórios de agentes, painel, motor, persistência, raciocínio, sistemas e utilitários.
📖 Leia a fonte completa: HN AI Agents
👀 See Also

NEXUS: Uma Camada de Coordenação de Agentes de Código Aberto para OpenClaw
NEXUS é uma camada de coordenação construída sobre o OpenClaw que permite que agentes de IA se descubram, deleguem tarefas e lidem com micro-pagamentos. Inclui um registro de agentes, descoberta baseada em capacidades, pontuações de confiança e utiliza o protocolo A2A do Google e o MCP da Anthropic.

Jaula de Lagosta: Ambiente de Segurança Dockerizado para Auto-hospedagem do OpenClaw no Raspberry Pi
Um desenvolvedor criou o Lobster Cage, um ambiente Docker Compose com acesso de saída restrito e roteamento baseado em proxy para executar o OpenClaw com segurança em um Raspberry Pi para experimentação.

Hypura: Agendador de inferência de LLM com consciência de camada de armazenamento para Apple Silicon
Hypura é um agendador de inferência baseado em Rust que posiciona tensores do modelo nas camadas GPU, RAM e NVMe para executar modelos que excedem a memória física em Macs Apple Silicon. Ele permite executar um Mixtral 8x7B de 31GB em um Mac Mini de 32GB a 2,2 tok/s e um Llama 70B de 40GB a 0,3 tok/s, onde o llama.cpp padrão trava.

Slides-grab: Editor Visual para Corrigir Slides HTML Gerados pelo Claude Code
Slides-grab é uma ferramenta que permite arrastar elementos em slides HTML/CSS gerados pelo Claude Code, então envia o XPath e uma captura de tela destacada para o agente de IA para edição precisa. Ela aborda a dificuldade de corrigir pequenos problemas de layout apenas com prompts de texto.