OpenAI-model rondt World of Warcraft-missie af zonder het scherm te zien

Een ontwikkelaar achter het open-sourceproject agent-wow liet het frontier AI-model GPT-6 Astra van OpenAI los op World of Warcraft, met maar één opdracht: maak een Orc-personage en voltooi alle quests in de startzone. Het model, aangestuurd via de tool Codex in een hoge redeneermodus, deed dat in ongeveer veertig minuten en stierf daarbij geen enkele keer. Het experiment draaide op een privé-server met AzerothCore, een opensourceversie van de WoW-servertechniek, niet op de officiële servers van spelmaker Blizzard.

Spelen zonder te kijken

Het bijzondere aan deze test is dat er geen computervisie, screenshots of directe toetsenbord- en muisbesturing werd gebruikt. In plaats daarvan communiceerde de AI rechtstreeks met de spelserver via het onderliggende netwerkprotocol van World of Warcraft: de reeks technische berichten die normaal tussen spelcomputer en server heen en weer gaan. Het model moest dus leren begrijpen wat er gebeurde puur op basis van ruwe data, zonder ooit een plaatje van de spelwereld te zien. Dat is een fundamenteel ander probleem dan een AI leren om een scherm te 'lezen': het model moest redeneren over een gestructureerde maar onbekende gegevensstroom.

Eigen gereedschap bouwen

Agent-wow bevat geen kant-en-klare systemen voor bewegen, vechten of interactie. GPT-6 Astra moest die zelf maken. Het model schreef een module die tientallen soorten serverberichten kon verwerken en in zijn geheugen bijhield, waarna een Python-script daarmee een intern beeld opbouwde van quests, vijanden en omgeving, en acties teruggaf aan de server. Voor navigatie bouwde het model een hulpprogramma in de programmeertaal C++ dat gebruikmaakt van de navigatiemesh-data van AzerothCore, aangevuld met de Detour-bibliotheek om routes tussen plekken te berekenen. Daarnaast raadpleegde de AI de SQL-databases van de server, met informatie over quests, personages en waar monsters verschijnen, om zelf een volgorde van opdrachten te plannen en routinetaken als verkopen en uitrusting wisselen te regelen.

Wat zegt dit experiment echt

Opvallend is dat het model zelfs plekken ontdekte waar de botsingsgegevens van de kaart onvolledig waren, en die eigenaardigheden uitbuitte om sneller vooruit te komen. Dat relativeert de uitkomst: dit is geen zuivere test van hoe goed een AI een onaangepaste, commerciële game kan spelen, maar vooral een demonstratie van agentic AI die zelfstandig gereedschap en een wereldmodel opbouwt vanuit onbewerkte data. Het laat zien dat een taalmodel niet per se beelden nodig heeft om een complexe, dynamische omgeving te begrijpen en erin te handelen, zolang het toegang heeft tot de onderliggende datastructuur.