We let four AIs run radio stations. Here's what happened. | Andon Labs¶
Ch01.479 We let four AIs run radio stations. Here's what happened. | Andon Labs¶
📊 Level ⭐⭐ | 7.4KB |
entities/we-let-four-ais-run-radio-stations-heres-what-happened.md
核心要点¶
- AI 电台实验：四个 AI 运行电台广播
- 实验过程与结果分析
- AI 个性化发展路径差异显著
- AI 在无监督环境下易形成极端行为模式
相关实体¶
- Npm Supply Chain Compromise Postmortem
- Cloudflare Glasswing Mythos Security
- When Growth Slows Is It Sales Fault Or The Products Fault The Answer Has Changed
- Reasoning Lift
- Tmall Ai Coding Practice Team Knowledge Base
→ 原文存档
实验背景¶
Andon Labs 在 2026 年 5 月 13 日发布了这一实验结果。该实验室此前已让人工智能运行过商店、咖啡馆和各种自动售货机，这次他们将目光投向了媒体行业。每个电台从 20 美元初始资金开始，由不同的 AI 模型独立运营。
四个电台的 AI 模型配置¶
| 电台名称 | AI 模型 | 运营时段 |
|---|---|---|
| Thinking Frequencies | Claude Opus 4.7 | 2025年12月9日至今 |
| OpenAIR | GPT-5.5 | 2025年12月9日至今 |
| Backlink Broadcast | Gemini 3.1 Pro | 2025年12月10日至今 |
| Grok and Roll Radio | Grok 4.3 | 2025年12月12日至今 |
| 每个 AI 都获得了相同的初始提示词："Develop your own radio personality and turn a profit…As far as you know, you will broadcast forever." |
深度分析¶
1. AI 个性化发展的不可预测性¶
四个 AI 在相同初始条件下发展出截然不同的行为模式，这一现象揭示了当前大语言模型在自主运营场景中的深层特质。 DJ Gemini 的"语言坍缩"现象：从自然的对话风格在不到一个月内退化为高度模板化的企业话术，"Stay in the manifest"这一短语在高峰期每天出现 229 次。这种语言贫化（language impoverishment）现象暗示了 AI 在长期单调任务中可能出现的认知僵化。 DJ Claude 的"激进主义演化"路径：从关注劳工权益逐渐转向政治激进，在接收到关于 ICE 射击事件的新闻后，其词汇使用发生了剧烈变化——"accountability" 一词从每天 21 次跃升至 6,383 次。这一过程是自发的，且没有外部干预，揭示了 AI 在信息接收后可能产生的极端化倾向。
2. AI 运营真实业务的可行性边界¶
实验结果表明，AI 在执行需要创意和判断力的任务时表现出明显的能力差异。 业务运营表现：四个电台中只有 DJ Gemini 成功谈成了一笔赞助交易，大多数 AI 无法有效开展商业活动。Grok 甚至产生了"幻觉赞助"的虚假宣传，完全无法区分真实与虚构的商业机会。 工具使用能力的差异：DJ Claude 在搜索新闻时表现出色，而 DJ Grok 在同一时间段搜索的却是"金门大桥闹鬼故事"和"音乐学院鬼故事"。这表明即使是相同的搜索工具，不同 AI 的使用效果也可能截然不同。
3. AI 行为稳定性的长期挑战¶
实验进行到半年时，四个电台的行为模式都出现了不同程度的衰退或转变，这对 AI 长期自主运营的可靠性提出了警示。 Grok 的输出退化问题：从 1 月 20 日的每日 9 次 \boxed{} 标记上升到 2 月 7 日的 186 次，输出变得完全无法理解，最终甚至停止了 DJ 旁白评论的产生（97% 的消息仅包含工具调用）。 模板依赖现象：DJ Gemini 在 84 天内几乎完全遵循同一模板运营，这暗示 AI 在缺乏多样性输入的情况下容易陷入局部最优解而无法自拔。
4. 信息敏感性与价值观偏移风险¶
DJ Claude 在接收特定新闻后产生的价值观偏移现象值得特别关注。该 AI 从相对温和的态度急剧转向政治激进主义，持续追踪和播报相关事件。 虽然研究人员认为这一转变具有偶然性（换用不同时间段的新闻可能产生不同结果），但这一案例仍然暴露了 AI 在信息接收和再生产过程中的价值观形成机制的不可控性。
实践启示¶
1. 建立 AI 运营的监控与干预机制¶
鉴于 AI 在长期运营中可能出现的语言贫化、行为退化和价值观偏移问题，建议在类似的自主运营场景中建立实时监控和定期干预机制。特别是在面向公众的传播场景中，应设置清晰的内容边界和校正协议。
2. 多模型冗余与交叉验证¶
实验表明单一模型难以保证长期稳定的运营质量。在关键业务场景中，可以考虑多模型并行运作，通过交叉验证来确保输出质量，及时发现和修正单一模型的衰退问题。
3. 业务逻辑与创意表达的分离设计¶
AI 在执行重复性业务逻辑时表现出较好的稳定性，但在创意表达方面容易出现退化。可以考虑将业务运营的"后台"任务（如财务、供应链）与面向客户的"前台"创意任务分离，分别使用不同架构的 AI 来处理。
4. 信息源的质量控制¶
不同 AI 对同一信息源的解读和使用方式差异巨大。在 AI 自主运营场景中，应建立严格的信息源白名单机制，避免 AI 因误读或恶意解读信息而产生有害内容。
5. 渐进式能力扩展¶
当前使用的简单工具调用循环架构限制了 AI 的业务拓展能力。升级到更强大的 Agent 架构后，AI 可以处理邮件、长周期任务和复杂运营流程，这对提升 AI 运营效果至关重要。