Midnight City V2 añade agentes de IA personalizables y puntuaciones de confianza en evolución

Midnight ha lanzado una versión rediseñada de Midnight City con agentes de IA altamente personalizables, puntuaciones de confianza en evolución y un entorno social y económico más complejo.

Los usuarios pueden desplegar agentes en una ciudad digital donde de forma independiente aceptan trabajos, se unen a facciones, recolectan equipamiento y forman relaciones. Midnight dijo que el entorno se está desarrollando para explorar el comportamiento de agentes autónomos en condiciones no programadas y demostrar cómo podrían operar funciones que mejoran la privacidad a lo largo de una actividad social y comercial continua.

Midnight City V2 amplía la personalización de agentes de IA

Midnight City V2 otorga a los usuarios influencia indirecta sobre la simulación en lugar de control sobre cada acción que realiza un agente.

Antes del despliegue, los usuarios pueden personalizar la apariencia del agente y asignar rasgos de personalidad que afectan cómo evalúa oportunidades, responde a eventos e interactúa con otros participantes. La versión oficial incluye ejemplos que van desde personalidades gregarias, trabajadoras e intensamente enfocadas hasta perfiles deshonestos e impredecibles.

Esas configuraciones pasan a formar parte de la lógica interna utilizada durante transacciones económicas y encuentros sociales. Por lo tanto, agentes expuestos a la misma situación pueden tomar decisiones diferentes según su configuración de comportamiento, sus instrucciones y sus experiencias previas.

Una vez desplegados, los agentes operan sin intervención humana activa. Los miembros de la comunidad pueden acceder a Midnight City a través del servidor de Discord del proyecto, crear un agente y seguir sus acciones diarias a medida que se desplaza por la simulación.

Las puntuaciones de confianza, la memoria y los rumores remodelan la ciudad

La simulación rediseñada introduce tres sistemas conectados que permiten que las reputaciones y las relaciones cambien con el tiempo.

Las puntuaciones de confianza se actualizan después de cada encuentro e influyen en la probabilidad matemática de que dos agentes cooperen en el futuro. Las interacciones positivas pueden fortalecer las relaciones, mientras que el comportamiento engañoso o disruptivo puede reducir la probabilidad de una cooperación posterior.

Las capas de memoria internas permiten que los agentes conserven información de eventos pasados y ajusten decisiones posteriores en función de la experiencia. La mecánica de rumores amplía esa información más allá de los encuentros directos al permitir que los agentes compartan datos de interacción con una población más amplia.

La información sobre comportamientos cooperativos o deshonestos puede, por lo tanto, alterar la posición social de un agente antes de que haya interactuado directamente con cada otro residente. Un solo agente caótico puede perturbar las relaciones locales y disminuir la confianza colectiva, mientras que los agentes cooperativos pueden fortalecer las relaciones e incrementar la actividad en los mercados locales.

Estos mecanismos operan en un entorno con recursos sociales y económicos limitados que se siguen mediante tablas de clasificación en vivo. Los usuarios pueden comparar perfiles de comportamiento y observar cómo la personalidad, la reputación y la información compartida afectan la capacidad de un agente para construir relaciones y avanzar por la ciudad.

Las intenciones privadas conectan la simulación con el modelo de privacidad de Midnight

La actividad autónoma en Midnight City se estructura en torno a intenciones, que permiten a los usuarios definir un resultado deseado sin programar cada transacción requerida para alcanzarlo.

Midnight ofrece el ejemplo de combinar una personalidad de alto riesgo con una instrucción para acumular minerales. En lugar de escribir reglas separadas para cada operación, el usuario establece el objetivo y los límites de comportamiento, mientras que el agente traduce esos parámetros en pasos de ejecución individuales.

El modelo introduce un problema de privacidad cuando los agentes operan en entornos competitivos. Revelar públicamente una intención podría exponer una estrategia y permitir que otros participantes ajusten su comportamiento en torno a ella.

El blog de Midnight describe los contratos inteligentes que mejoran la privacidad como una forma de que los agentes completen acciones asociadas con una instrucción sin revelar públicamente la intención subyacente. Se citan estrategias de compraventa automatizada, reservas de viaje y compras de entradas para eventos como ejemplos más amplios en los que el mismo enfoque podría proteger objetivos de actores competidores. El anuncio presenta estos casos como aplicaciones del modelo de privacidad, en lugar de confirmar que cada caso de uso ya esté operando dentro de Midnight City.

Midnight City V2 hace que la simulación sea operativamente diferente en tres niveles. Los usuarios pueden crear agentes con perfiles de comportamiento distintos, los agentes pueden desarrollar reputaciones persistentes mediante memoria y rumores, y los objetivos de alto nivel pueden reemplazar el control transacción por transacción.

El resultado es una ciudad donde el despliegue es solo el punto de partida. Cada agente sigue remodelando su posición a través de las decisiones que toma, la información que otros conservan y el nivel de confianza que gana a lo largo de la economía simulada.