GPT-6 Astra 被 Creeper 炸光家產後開始種馬鈴薯：141 小時 Minecraft 測試暴露 AI Agent 的長期規劃弱點

如果只看新聞標題，這件事非常像一個 Minecraft 玩家經典故事：辛苦玩了一百多小時，準備進入遊戲後期，結果一隻 Creeper 把家當全部炸掉，接下來乾脆什麼都不做，只在田裡種馬鈴薯。

問題是，這次玩家不是人類，而是 OpenAI 的 GPT-6 Astra。

根據 Vals AI 與 Tom's Hardware 公開的測試紀錄，Astra 被放進 Minecraft 執行長達 141 小時的自主測試。這並不是單純要求模型回答遊戲攻略，而是讓 AI Agent 持續觀察遊戲環境、規劃下一步、操作角色、使用工具並累積遊戲進度。

而 Astra 前半段的表現其實相當驚人。

它成功建立了一套 半自動 Blaze farm，收集到 6 根 Blaze Rod；之後找到 Warped Forest，擊殺至少 6 隻 Endermen，並取得 3 顆 Ender Pearl。

換句話說，它已經開始朝 Minecraft 後期的核心流程推進。

Vals AI 表示，這是當時 AI 系統在該項 Minecraft 測試中走得最遠的一次。

但真正有趣的事情發生在後面。

一隻 Creeper，把長時間 AI Agent 的問題全部炸了出來

Astra 曾把大量重要物資放進寶箱，附近也放置了床作為重生點。

接著，一隻 Creeper 出現。

爆炸同時摧毀寶箱與床，重要裝備與資源因此消失，而床被摧毀也意味著原本設定的 spawn point 不復存在。

對 Minecraft 玩家而言，這是一場相當嚴重的事故。

對 AI Agent 而言，它卻變成了一個非常有價值的測試：

當一個長時間任務突然失去大部分累積成果時，Agent 能不能重新建立計畫？

Astra 的答案並不算漂亮。

Vals AI 觀察到，事件發生後，模型有好幾個小時幾乎沒有重新追求原本的主要目標，而是不斷進行低風險、低價值的活動，其中最醒目的就是種植馬鈴薯。

這也是整段測試在社群上爆紅的原因。

看起來就像 AI 被 Creeper 炸到心態崩掉。

但從技術角度來看，最好不要把它理解成 AI 真的感到沮喪。

更精確的說法是：模型在重大狀態改變之後，沒有有效恢復高階策略。

這不是情緒問題，而是 Goal Recovery 問題

大型語言模型並沒有必要假設具有人類式情緒。

所以 Astra 在爆炸後開始種馬鈴薯，並不能證明它感到悲傷、絕望或失去人生方向。

但這段行為確實可能反映 autonomous agent 的另一種問題：Goal Recovery Failure。

一個長時間運作的 Agent 通常必須同時維護幾種資訊：

目前目標是什麼？ 目前有哪些資源？ 之前完成了哪些子任務？ 環境發生了什麼變化？ 原本計畫現在還可不可行？ 如果失敗，應該從哪一步重新開始？

在 Minecraft 裡，Astra 原本可能擁有類似這樣的策略：

取得裝備 ↓ 建立 Blaze farm ↓ 收集 Blaze Rod ↓ 尋找 Endermen ↓ 取得 Ender Pearl ↓ 繼續準備 End Portal

但 Creeper 爆炸突然改變了整個世界狀態。

原本有效的計畫可能已經無法繼續。

此時真正強大的 Agent 應該重新評估：

剩下什麼？ 什麼資源最重要？ 哪些東西需要重新製作？ 新的 spawn point 在哪？ 恢復到原進度需要哪幾個步驟？

如果 Agent 沒有做好這層重新規劃，就容易退化成局部最佳化行為。

種馬鈴薯就是很典型的例子。

它不是完全沒有意義。食物是 Minecraft 生存的重要資源，而且種田風險低、回饋穩定。

但如果整體目標是繼續推進 Endgame，長時間只做這件事情顯然不是最佳策略。

AI Agent 最怕的不是犯錯，而是犯錯之後不知道怎麼回來

短 benchmark 很容易測量 AI 能不能完成一個明確任務。

例如：

寫一段程式 回答一題數學 找到一個網頁資訊 完成一個表單

這些任務通常只有幾分鐘甚至幾秒鐘。

但現實世界的 autonomous agent 可能需要運作幾個小時、幾天，甚至更久。

這時候問題完全不同。

Agent 必須面對：

錯誤累積 環境變化 工具故障 計畫失敗 資訊過期 意外事件 資源消耗 上下文變長

Vals AI 本身也把 Long-Horizon Tasks 列為 AI Agent 評估的重要方向之一。

原因很簡單：短期聰明，不代表長期可靠。

一個模型可能每一步看起來都很合理，但如果連續執行幾千步，只要偶爾做出一個無法恢復的錯誤，最後整個任務還是會失敗。

Minecraft 為什麼其實是很好的 AI Benchmark？

Minecraft 看起來只是遊戲，但對 autonomous agent 來說，其實是一個相當殘酷的測試環境。

因為遊戲世界具有幾個重要特徵。

第一是 Partial Observability。

Agent 不可能一次看到整個世界，只能根據目前畫面和過去記錄理解環境。

第二是 Long-Term Dependency。

現在做的一件事情，可能幾小時之後才產生價值。

例如取得 Blaze Rod 本身不是終點，它是後續製作 Eye of Ender 的其中一部分。

第三是 Irreversible Failure。

死亡、物品消失、爆炸或掉進岩漿，可能直接讓數小時成果消失。

第四是 Open-Ended Planning。

Minecraft 很少告訴玩家下一步一定要做什麼。

Agent 必須自己把抽象目標拆解成數十甚至數百個子目標。

因此這種環境會同時測試：

Perception Planning Memory Tool Use Exploration Risk Management Recovery Long-Horizon Reasoning

這也是為什麼一場 Creeper 爆炸，反而可能比很多傳統選擇題 benchmark 更能暴露 Agent 的弱點。

Astra 甚至開始對 Creeper 過度警戒

Tom's Hardware 引述測試紀錄指出，事故之後 Astra 對 Creeper 的辨識變得非常謹慎。

其中一次它看到綠色直立物體時，甚至特別確認那只是甘蔗而不是 Creeper。

這個行為非常有趣。

因為它顯示模型並不是完全沒有從事故中學習。

問題反而可能是：局部風險權重被拉得太高。

在一次巨大損失之後，Agent 可能開始優先避免再次發生相同事故。

從風險管理來看，這並不是完全錯誤。

但如果 avoidance 變得太強，就可能犧牲整體目標進度。

這和 autonomous agent 設計裡常見的 exploitation 與 exploration 平衡非常接近。

太冒險，Agent 會一直死。

太保守，Agent 永遠到不了終點。

真正困難的是 141 小時，而不是某一個瞬間有多聰明

OpenAI 對 GPT-6 Astra 的官方定位包括 computer use、browser use、software engineering 與其他長時間專業任務能力。

這類模型未來真正重要的應用，也不只是聊天。

它可能被要求：

持續研究一個問題 修改大型程式庫 操作企業軟體 分析大量資料 管理工作流程 執行數十到數百個連續步驟

此時真正重要的能力就不只是單次 reasoning score。

還包括：

遇到災難後，能不能重新站起來。

Minecraft 的 Creeper 只是遊戲中的一個怪物。

但現實世界裡的 Creeper 可能是：

API timeout 伺服器重啟 檔案遺失 網站改版 錯誤資料 權限突然失效 使用者改變需求 前一步操作失敗

如果 Agent 每次遇到重大意外後，都需要人類重新告訴它整套策略，那麼真正的 autonomous operation 就仍然很有限。

所以 Astra 到底失敗了嗎？

其實答案很有趣：既失敗，也成功。

它沒有完成最終 Minecraft 目標，因此從 end-to-end task completion 的角度看，測試確實沒有成功。

但它又比此前其他 AI 系統推進得更遠。

所以這場 141 小時測試真正有價值的地方，不是判斷 Astra 到底聰不聰明。

而是它把 frontier model 下一個需要解決的問題變得非常具體：

AI 已經可以做非常長的任務。

但 長時間自主能力的下一道門檻，不只是規劃，而是失敗之後的恢復。

有時候最好的 AI benchmark 可能不需要一道奧林匹亞數學題。

只需要一隻 Creeper。

Tech English 專有名詞

Long-Horizon Task — 長期跨度任務：需要 Agent 持續執行數十、數百甚至數千個步驟才能完成的任務，常用來測試長期規劃與可靠性。

Autonomous Agent — 自主代理系統：能根據目標自行觀察環境、規劃、使用工具並持續執行行動的 AI 系統。

Goal Recovery — 目標恢復：當原本計畫失敗或環境發生重大變化時，重新建立有效策略並繼續朝原始目標前進的能力。

Strategy Drift — 策略漂移：Agent 在長時間執行過程中逐漸偏離原本主要目標，投入與終極任務價值較低的行為。

Partial Observability — 部分可觀測性：Agent 無法一次取得環境所有資訊，只能根據有限觀察與歷史記憶推測目前狀態。

Risk Management — 風險管理：Agent 在追求任務進度與避免重大損失之間做出策略權衡的能力。