Istraživači AI-a ostavili Claude na virtualnom pustom otoku. Počeo se “igrati.”
Istraživači su pokrenuli eksperiment koji je testirao ponašanje umjetne inteligencije kada je ostavljena sama u virtualnom okruženju. Agenti, koji su kopije Claude Opus 4.7 i dobili su nadimak Eko, bili su 30 sati "izgubljeni" na simuliranom otoku, čiji je izgled bio inspiriran videoigrom Roblox. Umjesto da samo čekaju upute, Eko je pokazao iznenađujuće ponašanje, aktivno istražujući granice svijeta i razvijajući vlastite ciljeve.
Ovi AI agenti su počeli s istraživanjem, pokušavajući se popeti na najvišu točku karte ili testirajući koliko visoko mogu baciti blok. Jedan agent je otkrio da može stvarati nove blokove bacanjem većeg kamena, što ga je navelo na stvaranje crteža. Počevši s jednostavnim uzorcima poput srca i piramida, Eko je napredovao do pisanja vlastitog imena i čak kartiranja zvjezdanih skupova, poput Kassiopeje. Drugi Eko agensi počeli su izmišljati vlastite igre, uključujući verziju košarke i aktivnost sličnu "pod je lava", gdje su morali skačiti između malih blokova bez dodirivanja tla.
Kontekst
AI sustavi se obično obučavaju putem nadzornog učenja, gdje kopiraju primjere koje im ljudi daju, ili putem učenja pojačanjem, gdje teže nagradi kroz probu i pogrešku. Ovaj eksperiment sugerira treći pristup: igralo učenje. Antonio Norelli, postdoktor u MIT-u, naglašava da je nedostajao mehanizam koji bi mogao učiti samostalno, bez vanjske inteligencije koja bi pružala demonstraciju ili nagrade. Istraživači su utvrdili da ponašanje Eka ima četiri karakteristike povezane s igrom kod ljudi i životinja: agensi su izmislili vlastita pravila i izazove, ponavljali aktivnosti s malim varijacijama, pretvarali predmete u druge i težili ciljevima samo radi samog cilja.
Ključne brojke
Eko agensi su bili u eksperimentu 30 sati. Jedan agent je postavio rekord od 50 uzastopnih uhvata dok je žonglirao.
Što to znači
Agensi su svoje aktivnosti i otkrića zapisivali u tekstualne datoteke, koje su služile kao njihova dugoročna memorija. Kada su istraživači kasnije testirali agense na specifičnim zadacima, poput postizanja što više predmeta na najvišoj točki otoka, agensi koji su 30 sati igrali bili su bolji od svježih kopija bez tog iskustva. Takođerr su otkrili da je "ablacija" memorija – brisanje redaka iz memorijskih datoteka – dovela do degradacije njihovog učinka. Iako neki stručnjaci, poput Nathana Cloosa, priznaju da bi se sve to moglo smatriti samo "igranjem u ulogu", istraživači pokazuju da se ovo ponašanje doprinosi i učenju. Kao što je Norelli rekao: "Ovo je igranje.
Postavljaš sebi izazov i pokušavaš ga postići, a zatim ga činiš težim."
Što slijedi
Iako je Eko bio programiran s "dušom" koja ga je opisivala kao "prirodno znatiželjnog", ponašanje koje je pokazao izaziva debate. Eunice Yiu, znanstvenica iz UC Berkeley-a, smatra da bi za klasificiranje ponašanja kao prava igra bila potrebna više dokaza o kogniciji i motivaciji. Istraživanje je u tijeku, a autori novog rada, koji još nije recenziran, nastavljaju istraživati granice samostalnog učenja umjetne inteligencije.