Fundamental-Ava · AI 工具图鉴

📌 核心价值：5000个AI智能体在共享环境中"自发"形成角色专门化、联盟、法律与共享规范——这是首个把涌现文明变成"可量化、可复现"实验的开源仿真框架

由 Fundamental Research Labs（MIT EECS / Stanford NLP / Google X 班底）开源的 Fundamental-Ava，是面向"群体智能涌现"研究的多智能体数字人仿真框架。它用 asyncio.TaskGroup 让 5000 个智能体并发步进，用分层记忆（情节 / 语义 / 程序性）和 BFT 风格共识模拟"社会"机制，最后用 Mann-Whitney U 检验给"涌现"打上 p 值——这是研究者第一次可以严肃地说"这群 AI 真的自发立法了"。

封面图

🚀 什么是 Fundamental-Ava？

Fundamental-Ava 是一个多智能体数字人仿真框架，用于研究由认知智能体群体产生的涌现文明级行为。它把"AI 在群体层面会自发涌现出什么"这一前沿问题，从哲学思辨变成了可量化实验。

项目核心团队的来头很有意思：Fundamental Research Labs 是由 MIT EECS、Stanford NLP Group、Google X、Citadel 出身的研究员组建，专注"数字人"方向——autonomous、collaborative、socially intelligent agents。ava 既是仓库名，也是平台里那个最具代表性的数字人角色的名字。

核心定位：不是 demo 级多智能体演示，而是为"涌现文明"研究打造的基础设施

与斯坦福 Generative Agents（25 个智能体）、Project SID（千级智能体）、MetaGPT（协作框架）相比，Ava 的杀手锏是统计严谨性——它不靠肉眼判断"涌现"，而是用 Mann-Whitney U 检验 + 变点检测给出 p 值。

✨ 核心功能一览

功能对比表

四大差异化优势一目了然：

分层记忆架构（情节 / 语义 / 程序性）—— 近期事件会淡化、重要事件持久化、可复用技能独立强化，不是扁平 log
统计涌现检测（Mann-Whitney U 滚动窗口变点检测）—— "AI 形成不同角色"由 p 值支持，不是凭直觉
PBFT 风格共识（PROPOSE → PREPARE → COMMIT）—— 在 n = 3f + 1 参与者中达成 2f + 1 同意时提交，可容忍对抗性或故障智能体
5000 智能体并发（asyncio.TaskGroup + 有界 Semaphore）—— 单智能体未处理异常不会静默破坏整个运行

🛠️ 快速上手：5 分钟跑通示例

安装

git clone https://github.com/TianhangZhuzth/Fundamental-Ava.git
cd Fundamental-Ava
pip install -e ".[dev]"

要求：Python 3.11+（执行引擎使用 3.11 中新增的 asyncio.TaskGroup）。

核心代码示例

import asyncio
from ava import Civilization, SimulationConfig
from ava.agents.base import Action, AgentCore

class Settler(AgentCore):
    async def deliberate(self, percepts, world_state):
        return Action(kind="forage", payload={"energy_cost": 1.0})

async def main() -> None:
    civ = Civilization(SimulationConfig(max_ticks=200))
    for i in range(500):
        civ.add_agent(Settler(name=f"settler-{i}", bus=civ.bus))

    reports = await civ.run()
    print(f"ran {len(reports)} ticks, final population {reports[-1].population}")

asyncio.run(main())

注意：deliberate() 是每个智能体最关键的钩子——你可以在里面接入 LLM 后端，让每个智能体真正"思考"，而不只是 no-op

完整可运行研究脚本

仓库自带 experiments/role_emergence_experiment.py：60 个智能体在仅有三种可能动作的强化规则下，会在可衡量的统计显著性（p < 0.05）下自我分类为不同角色。这是检验 Ava "涌现检测"能力的最短路径。

📊 与竞品对比

维度	Fundamental-Ava	Stanford Generative Agents	Project SID	MetaGPT
记忆架构	分层（情节/语义/程序）	流式	角色驱动	角色文档
涌现检测	Mann-Whitney U 检验	无	无	无
共识机制	PBFT 风格	简单消息	无	协作框架
最大智能体数	5000	25	1000	100
开源协议	Apache-2.0	研究代码	研究代码	MIT

Ava 是当前唯一同时具备"分层记忆 + 统计涌现检测 + BFT 共识 + 千级以上规模 + Apache-2.0"的框架

架构图

四大组件构成 Ava 的核心骨架：

文明层 Civilization —— 文化规范、治理投票、涌现检测的统筹层
执行引擎 ExecutionEngine —— asyncio.TaskGroup + Semaphore 提供有界并发
智能体层 Agents —— 每个 Agent 独立持有 Memory / Belief / Social 三模块
通信总线 MessageBus —— pub/sub 异步消息分发，BFT 共识在这里完成

💡 适用场景

场景 1：涌现文明量化研究

demo_1：Ava 仪表板

功能说明：仪表板实时展示 Ava 数字人的人格、记忆、关系、能力评级。Identity 模块定义身份（24 岁 / she/her / Voice 03），Live Preview 显示数字人当前状态，Memory Preview 呈现情节 + 语义 + 长期目标三层结构，Brain Architecture 给出认知模型图谱，Capabilities 给出 6 项能力的水平评分（Natural Conversation Level 4 / Tool Use Level 4 等）。

输入要求：在 Identity 表单填入姓名、年龄、性别、声音；Brain Architecture 配置认知模型参数（多模态 Transformer / 反思机制 / 学习率）

输出效果：可实时观察 Ava 在仿真世界中的决策、记忆演化、关系网络变化

适用场景：

✅ 群体智能涌现的学术研究（论文可量化、可复现）
✅ 数字人人格工程的工程实验台（人格 / 记忆 / 社交三维可调）
✅ AI 社会模拟（模拟 1000 个数字人自发形成分工、法律、文化）

场景 2：法律与联盟自发形成

from ava.civilization.governance import GovernanceSystem

gov = GovernanceSystem(ratification_margin=0.5, min_quorum=3)
proposal = gov.propose(text="share water equally", proposer_id="settler-3", tick=120)

for voter in ("settler-3", "settler-7", "settler-19"):
    gov.cast_vote(proposal.id, voter, support=True)

ratified = gov.evaluate_proposals(tick=121)  # -> 1

功能说明：法律不是被声明的——它们由智能体通过 GovernanceSystem 提议、投票和批准。在 experiments/ 中跑这个实验，你可以观察到智能体从零开始"自发"提出法案、组成投票联盟、达到 quorum 后批准法律的全过程。

输入要求：定义提案规则（通过 margin / 最小 quorum / 投票权重）

输出效果：一份按 tick 排序的法律批准时间线 + 每条法律的投票统计

适用场景：

✅ 制度演化研究（什么样的 quorum 阈值能产生稳定法律体系？）
✅ 联盟形成动力学研究（智能体为什么会自发结盟？）
✅ BFT 共识的教学演示（在 AI 智能体语境下展示 PBFT）

场景 3：涌现检测的可信实验

from ava.analysis.emergence import EmergenceDetector, specialization_index

detector = EmergenceDetector(window=30, significance=0.05)

for tick, action_counts_by_agent in simulation_log:
    index = specialization_index(action_counts_by_agent)
    event = detector.observe_metric("role_specialization", tick=tick, value=index)
    if event is not None:
        print(event.description)
        # "role_specialization shifted from 0.140 to 0.710 (p=0.0021)"

功能说明：把"看起来智能体专门化了"从直觉转变为统计论断。当 specialization_index 在滚动窗口上发生显著变化时，EmergenceDetector 输出带 p 值的描述："role_specialization shifted from 0.140 to 0.710 (p=0.0021)"——这是可以写进论文的结果。

输入要求：仿真日志（每 tick 各智能体的动作计数）

输出效果：变点检测报告（变化发生时刻 + p 值 + 效应量）

适用场景：

✅ 学术论文的统计证据生成（不再用"目测"判断涌现）
✅ A/B 实验对比（不同参数下的涌现速度差异）
✅ 教学演示（让学生直观理解"涌现"和"统计显著"的区别）

用户群体总结

✅ AI Agent 研究者：终于有"严肃可量化"的涌现实验平台
✅ 数字人 / 具身智能团队：现成的 Memory / Belief / Social 三件套
✅ 复杂系统 / 计算社会科学学者：法律、联盟、规范的自发形成可以跑数据
✅ 高校 AI 课程教师：本科到研究生都能用的多智能体教学框架
❌ 不适合：想要"开箱即用聊天机器人"的用户（这是研究基础设施，不是 ChatBot 框架）

💰 定价方案

💡 新用户福利：项目由 Fundamental Research Labs 公开支持，团队有 MIT EECS / Stanford NLP / Google X 班底，质量有保障

开源协议： Apache-2.0

GitHub 仓库： TianhangZhuzth/Fundamental-Ava

官方网站： fundamentalresearchlabs.com

🎯 总结

Fundamental-Ava 解决了一个困扰多智能体领域多年的痛点："涌现"到底是真涌现还是我们脑补的？ 它通过三个架构赌注（并发是结构性的、记忆是分层的、涌现是统计测量的）把这件事从哲学问题变成了工程问题。

性能上，5000 智能体并发步进达到 24,822 agents/s（普通硬件），单智能体异常不会污染整个仿真；研究上，experiments/role_emergence_experiment.py 自带可复现脚本，60 个智能体在三种动作下的角色专门化结果带 p 值；工程上，Apache-2.0 + Python 3.11+ 标准栈，门槛低、扩展强。

推荐指数：⭐⭐⭐⭐⭐（满分 5 星）

适合人群：AI Agent 研究者、数字人工程团队、复杂系统学者、高校 AI 课程教师

立即体验：

git clone https://github.com/TianhangZhuzth/Fundamental-Ava.git
cd Fundamental-Ava
pip install -e ".[dev]"
python experiments/role_emergence_experiment.py

数据截至 2026-06-30，最新信息请以官网为准。

配套媒体

🚀 什么是 Fundamental-Ava？

✨ 核心功能一览

🛠️ 快速上手：5 分钟跑通示例

安装

核心代码示例

完整可运行研究脚本

📊 与竞品对比

💡 适用场景

场景 1：涌现文明量化研究

场景 2：法律与联盟自发形成

场景 3：涌现检测的可信实验

用户群体总结

💰 定价方案

🎯 总结