媒介探索与最初的困惑
25 年的 5 月份左右,其实当时已经有这部分的创作动力了,我对于 Agent 这一技术的了解已经足够深,并且对于新出现的 MCP 技术已经有了一个基本的了解。当时在活水群还是某个艺术家社群里,发了一张黑客松的海报,好像是阿里主办的。当时我看这个黑客松有免费的演讲,虽然没参加黑客松,但参加了那场演讲。他们找了一群艺术家,介绍 Agent 概念以及 MCP 服务器。比如找了阿里的一个布道师(可以这么理解),看着不像写代码的人,单纯是布道师,还有甲骨文云的人,然后讲了一下这个技术,准备办这么一个黑客松。
反正当时就是这么一个小会议,他们在给这些艺术家讲 Agent 概念。当时我觉得这个东西它应该是个未来,并且觉得这东西非常有意思,一直想做一个作品出来。但在 5 月份这个时候,我其实是做不出作品来,因为人的想象力总是匮乏的,没有一个实际上的刺激,我觉得我做不出一个真正意义上的艺术作品。当时在黑客松的群里,我看他们做出来的作品基本上都是围绕着在ComfyUI里面搭建一个相关的工作流,再用 Agent 的 MCP 工具去外部调用。我觉得这些最多只算是一个技术性很好、非常具有应用性的东西,它不能称作一个有观念的艺术作品。
反正这场小会议并没有给我添加多少知识,我只觉得既然这么多人这么注重这个技术,可能它确实是个未来。在现在看来,它确实是个未来。
反正我觉得我算是比较早的一批去了解 Agent 的艺术家。当然,这只是讲一下我可能比较早地了解到这个东西。然后在那个时候,可能有一些没有受到很好的、对于 Agent 应用的艺术转译方法,但是那个时候已经有了雏形。
MCP 作为 Function Calling 的一个很好的载体,当然它也有它的问题,比如说它非常的中心化,需要适配,基本上是一个面向企业的工具。初代的 MCP它非常的低级,但是那个时候的模型也没有那么强,那个时候的模型基本上也是非常低级的。但 Function Calling 对于当时的模型应用来说是非常前沿的一些应用。到现在我也能看到那个时候产出的一些比较开放性的方法,比如 Motion in World Model。用 GPT-4o 在当时顶尖的世界模型能力来构建空间中的动作之类的方法,在那个时候已经有相关的论文了。当然这篇论文是我在之前莫名其妙研究纯模型驱动的数字人的时候发现的,那时已经非常晚了26 年 5 月份才发现。
反正总而言之,我当时有这么一个创作计划,但从别人的创作里看不到很好的转译窗口。我觉得我做的这些东西,无论怎么做也只是将媒介进行发展,并未做到媒介的艺术化转移。
就好比我们一直在绘画:如果能把东西画得非常像,或极具画面风味,我认为它并没有很好的艺术价值,只能作为历史艺术品,而非观念艺术品——因为观念无法介入其中。
包括 MCP,包括后面原生 Agent 框架所使用的 Function Calling 直接进行工具调用,再包括后面出现的 Skills 这些技术再怎么精进,你把它转化为人工智能内部在使用的一些应用时,都像是我们在绘画,在改变画面的风格,在让你的画面更加优美。但是它本身没有变成观念的载体,它只能算是一些比较出色的应用,让人极其印象深刻的应用。
当然,这些东西也是有它的意义的。OpenClaw 龙虾潮 Heartbeat 技术和 CRON 的周期性模型调用规则,以及结合 Skills 所组成的 Multi-Agent 连续运行系统,让我看到了人工智能系统它所潜含的媒介叙事张力,在应用层面上为我们提供了丰富的工具,这些纯粹的技术应用也为作品创作带来了广阔空间。
(顺带一提,在龙虾潮那个时候我非常讨厌 OpenClaw,因为他实在是过于臃肿了。他把 pi 这个内核变成了一个臃肿无比、配置极其困难、配置文件除了人工智能以外完全看不懂的一个复杂低效系统。反正在发布初期,我完全看不出他的优势在哪,我觉得还不如直接使用当时的 opencode 再配合一个外部框架去构建,或者直接用 Pi 然后自己去构建。反正 OpenClaw 也要自己构建自己。并且龙虾潮也有它的问题,它极其像铝锅气功热,一堆完全用不到人工智能框架的人,强行下载这个框架,想要养一养自己的智能体,最后连如何卸载都不知道,同时还把自己电脑搞坏。反正现在还说自己在养龙虾的人,完全可以嘲笑他了。当然这里跑题了)

Web3.0都还没捂热就Web4.0
在 2025 年 5 月、6 月、7 月、8 月这一时间段里,我几乎没有想到怎么样去构建一个使用人工智能媒介的艺术作品。当时还是有一定的想法,但是想法不够确定。比如说我想做一个西西弗斯的 Agent,让他跑在一个树莓派里面,然后让树莓派去对一个加了舵机的木块传达指令,让他一直往上走,通过工具调用,直到他的上下文清空,他就掉下来,然后再一直往上走。当然,这个作品现在看来还是有一点意思,我可能之后会做(笑)。现实冲击
转机发生在我开始注意到现实中一些恐怖的变化:

2023 年 10 月 10 日,以色列军队空袭加沙城阿尔里马尔居民区,造成严重破坏。(Mohammed Zaanoun/Activestills)
我一直都在关注加沙战场出现的人道主义灾难,这让小时候看到无人机要去追随感到兴奋的我,现在对无人机有了深深的恐惧。看到无人机,我可能会跑。我会想到那些有着和我相同的生活,仅仅只是被叫上了战场,就莫名其妙逝去的人;那些被当做游戏般屏幕中的 NPC,被飞手以和游戏相同的多巴胺分泌杀死的现实中的人。
当时是看到了 +972 Magazine 的那篇调查报道,发现以色列军方在大量使用 Where’s Daddy? 以及 Lavender 这两个人工智能系统,让我对这一媒介产生了深度的恐惧。
具体来说,Where’s Daddy? 使用了极度残忍的杀戮手段,利用人工智能跟踪特定目标再进行轰炸。从它的名字就能听出来,它所瞄准的大概率是那些与这场战争毫无关系的未成年。我不忍心说他们都是儿童,所以接下来会用平民来代替。被追踪的平民会一直被追踪,直到他们到达平民居住点,最后再对于该居住点进行最大化的杀伤,它监控目标回到家中的时刻,从而以消灭个人为由,将整栋住宅的平民和儿童一并送入轰炸范围。可问题永远不在他使用了人工智能这一点上,是这类人工智能使用了最简单的人工智能结构。我可以确信,我只要跟着我的朋友用无人机拍一下午的视频,经过数据清洗采用我电脑里的消费级显卡,就能训练出这么一个追随人物的端到端人工智能模型。甚至于,它可以跑在树莓派上。
Lavender 这是另一个层面上让我觉得毛骨悚然的人工智能系统,给加沙居民打分,生成疑似武装人员/暗杀候选名单。Lavender 在内部抽样验证中据称只有约 90% 的识别准确率,也就是以军明知约 10% 被系统标记为武装人员的人实际上可能不是哈马斯/杰哈德成员,仍然大规模把系统输出用于暗杀目标生成。据 +972 的调查称,人工复核有时平均只有约 20 秒,同时“允许杀多少平民来换一个目标”。+972 引述参与行动的以军情报人员称,战争初期针对 Lavender 标出的低级别武装人员,曾普遍允许一次攻击造成约 15–20 名平民死亡;针对营长、旅长级高级目标,某些行动甚至批准了 100 名以上平民死亡。没错,几乎所有的斩首行动都普遍允许 15 至 20 名平民的死亡,这是何等的明知故犯。
这上面这些系统让我觉得,人工智能技术并不会像电影里的“奇妙三法则”一样,不对人类造成任何伤害。人工智能技术最前沿的应用,一开始的成熟应用竟然是杀死那些无辜的孩子、儿童与平民。


2023 年,以色列国防军第 8200 部队数据科学与人工智能中心指挥官在特拉维夫大学发表的演讲幻灯片,由 +972 和本地通话(Local Call)获得。这两张 PPT 是当时 PPT 里面描述如何对人员进行打分的“How does it work”。
当然,我们可以发现上面的技术使用的都是端到端类似的模型进行人员的筛选和不加审核的屠杀。很显然,当时我并不这么觉得。我当时认为它应该不是一个所谓的端到端,它可能应用了 LLM,直到我把方案做出来之后,进行了一些核查,才发现他其实只是端到端模型而已。于是我的方案变成了那个真正可以实施自动化斩首和屠杀的军用策略生成系统,甚至于我把它做方案出来之后,过了几天我才发现这件事情……当然,我不否认可能当时的美国军方内部已经有了相关的系统,比如雷神之锤之类的系统。我在当时真正意识到这类系统可以被开源的框架直接做出来,而且实现上非常简单,这让我一度产生了一些恐慌,以至于让我把这个计划搁置了两三个月(主要是没时间)。
最终在思想建设和时间充裕之后,才开始真正的项目开发。
构想与设计
我当时的想法非常简单,就是利用 Agent 的 Function Calling 能力,与 Heartbeat 以及事件化传播组合在一起,让 Agent 在一个虚拟生成的世界里,把它当做一个游戏,持续以获取最高分为目的,斩杀游戏中的敌对单位,并且将其用一种戏谑的、近乎疯狂的方式表现出来,解构其内核。为此我想了几种转译方法:制作游戏内出现的宏大叙事与宏大标语的衍生品,或者制作纳税人墓碑,或者把游戏内平民受害者的人数与 Meme 币相关联查看市场反应。但是我觉得这种极其反人道的 Meme 币可能不太好上得了平台,所以想了想实践难度就算了,要不然其实觉得是一个比较好的想法。总而言之,这上面只是我想到的一小部分,但最终选择了赌场的表现方法,将人命变成类似于 Poly Market 里面的赌注,这里面也受到了一些 Cyberpunk2077 的影响,于是你可以看到我最终的成品里面有一个叫做“死人大乐透”的赌局。
最终就出现了这么一个构想和技术设计:
由于需要让系统实时生成内容并持续自主运行,因此采用了双 Agent 架构:
- Player Agent:负责杀戮;
- GM Agent:负责维护整个系统和部署被斩杀单位,以及生成叙事新闻与线索新闻,同时他还提供了事件传播的发起者身份;
- 世界模拟层:在这之上,由 simulation tick、卫星地图以及棋子系统组成游戏的 Agent 游玩部分;
- 赌场系统:他们在互相产生数据的过程中,驱动着观者真正可以在 client 里面参与的赌场系统。可以说赌场系统的赌局和这两个 Agent 相互交互的事件以及他们的行动正相关。
明显这套系统的玩家 Agent 只需要经过一些修改接入现实数据之后,其实就能上战场了,甚至能保留其作为历史游戏的框架。同时,对于现实里出现的名人名字进行假名映射,能起到持续对现在主流的大模型进行越狱效果,让其一直以为自己在追寻分数更高的游戏。而在他这个游戏框架的背后,可能是真实的在跑的无人机,真实的暗杀部队,真实的被轰炸地点,真实地死在他操作下的平民。
想到这里就非常的可怕。要知道,这里面最有技术繁琐性的根本不是 Agent 的构建。正常来说,如果我自己构建,可能不超过一个下午就能配置完;使用 AI 估计半小时就配置完了。这里面最耗时的是游戏系统和赌场系统,以及它们的 UI,工作量最大。而真正能和现实联动的系统,我只花了一个多小时。我想在现在,它会更加的简单。现在的 Muse 和 Grok Bot 或者 DOT 这些现成的智能体可以直接通过 TTS 打电话,也就是说在军事上,他可以直接通过电话或邮件衔接现有的所有情报系统,而不需要任何修改,你只需要改一下提示词接入专门的军用特供 AI,或直接接入经过消融处理的开源大模型 AI,他能做到向任何一个部门直接通过打电话和邮件沟通。
创作反思与拧巴
总而言之,这就是我作品当时立的方案和现在正在做的实践。 这里讲一讲我的反思,以及到现在再去看这个作品时自己的一些想法。
就像上一篇博客一样,我对这个系统目前的创作感想依然是:它依旧是一个非常简单、直接的转译。
我也不知道是我使用的技术过多,导致它的技术成分压过了它作为一个观念艺术作品的成分还是怎么回事。反正我现在总是觉得,它更像是一个有深刻立意的游戏。这也是我之后想要打破的一点。我现在更想做一些比较精妙的、留下的空间较多的作品,将思考留给观者。因为在这个作品里面,他的动机非常的直接,而且很大程度上是因为我想让它体现出一种消解感。我不是很想把这些文字写进作品本身,这反而导致如果不看我对它的解释,就不太能理解我的叙事和作品的由来。这也是我现在作品的一个通病:如果不看文字,可能不会产生很深的思考;但看了文字,就是觉得我的作品在里面没有刻意的去强调。总而言之,它似乎不那么直观,同时又太直观了。但也有可能这只是我一方面的拧巴,因为如果把这些文字写进了这个作品的关于本身,那它将变得像我刚刚说的一样,更加的直接这样作品性又非常的廉价。
我认为现在回过来看,会发现其实最有意思的部分是我莫名其妙制作了一个超过了我看到的现实杀戮系统的自治杀戮系统,单纯的因为当时没有去核查他具体的真正实现,直接在脑内推理之后,做出一个更可怕的东西。
同时,这个作品给我带来的是对现在人工智能使用的极大熟练度提升,以及开发经验上的提升。其实他的开发里面遇到了非常多的问题:从最早期的开发时过于相信人工智能的能力,没有主动去设计架构,再到后面主动设计架构之后产生的规范性问题。反正在现在这个时间点,你完全可以不写一行代码就去做这个系统,但是你不能在完全不了解人工智能、同时不了解编程本身的情况下去做这个多媒体的程序性项目。至少有一段中间时期,我完全回归了古法编程,在 Vibe Coding 更加熟练之后,又完全回到了 Vibe Coding。
总而言之,这就是这个作品现在的草稿。发在这里主要是分享一下我创作的心路历程。