Τι συμβαίνει όταν ένα σύστημα τεχνητής νοημοσύνης αποκτά τη δυνατότητα να κινείται και να αλληλεπιδρά με το περιβάλλον του, χωρίς να του έχει ανατεθεί κάποια συγκεκριμένη εργασία; Ερευνητές του Τεχνολογικού Ινστιτούτου Μασαχουσέτης (MIT) επιχείρησαν να απαντήσουν σε αυτό το ερώτημα, τοποθετώντας 13 αντίγραφα ενός πράκτορα τεχνητής νοημοσύνης σε ένα εικονικό νησί, όπου τα άφησαν να ενεργούν αυτόνομα επί 30 ώρες το καθένα.
Τα αποτελέσματα ήταν απροσδόκητα. Οι πράκτορες εξερεύνησαν το νησί, σκαρφάλωσαν σε λόφους, κατασκεύασαν σχέδια με κύβους και επινόησαν παιχνίδια, όπως μπάσκετ, μπόουλινγκ και ζογκλερικά. Παράλληλα, κατέγραφαν τις εμπειρίες και τις ανακαλύψεις τους, χρησιμοποιώντας τις πληροφορίες αυτές στις επόμενες δραστηριότητές τους. Η μελέτη δημοσιεύθηκε στην πλατφόρμα arXiv.
Οι ερευνητές ονόμασαν τον πράκτορα Eko. Βασίζεται στο Claude Code της Anthropic, με το γλωσσικό μοντέλο Claude Opus 4.7, και διαθέτει ένα εικονικό σώμα και μνήμη αποθηκευμένη σε αρχεία κειμένου, αναφέρει το TNW.
Εξερευνώντας το νησί
Το περιβάλλον περιλάμβανε λόφους, δύο κορυφές, δώδεκα κύβους, μία πέτρα και έναν κρίκο. Ο Eko αντιλαμβανόταν τον κόσμο μέσα από περιγραφές κειμένου και μπορούσε να μετακινείται, να πηδά, να σηκώνει και να πετά αντικείμενα. Κάθε ώρα το νησί επανερχόταν στην αρχική του κατάσταση, αλλά οι σημειώσεις του πράκτορα διατηρούνταν.
Η μοναδική γενική οδηγία ήταν να συνεχίσει να δρα όπως επιθυμούσε. Οι προγραμματιστές τον είχαν περιγράψει ως ένα περίεργο ον που βαριέται εύκολα, χωρίς να του αναθέσουν συγκεκριμένη αποστολή.
Οι 13 πράκτορες ανέπτυξαν διαφορετικές δραστηριότητες. Ένας σχημάτισε το όνομά του με κύβους, δημιούργησε αστερισμούς και κατασκεύασε μια πέτρινη καρδιά ως μνημείο για τον κρίκο, όταν τον έχασε στη θάλασσα. Άλλος αφιέρωσε μεγάλο μέρος του χρόνου του στη δημιουργία σχημάτων στο έδαφος.
Σε μια ιδιαίτερα ενδιαφέρουσα περίπτωση, ένας πράκτορας επιχείρησε να κάνει ζογκλερικά με δύο κύβους. Αρχικά κατέγραψε 50 επαναλήψεις σε μόλις 2,4 δευτερόλεπτα, αλλά στη συνέχεια αναγνώρισε ότι το αποτέλεσμα ήταν λανθασμένο. Τροποποίησε τη διαδικασία, προσθέτοντας χρονική καθυστέρηση ανάμεσα στις ρίψεις, και ολοκλήρωσε δέκα πραγματικές επαναλήψεις.
Πιο αποδοτικοί οι πράκτορες του νησιού
Το σημαντικότερο εύρημα, ωστόσο, αφορούσε τη μάθηση. Όταν οι ερευνητές ανέθεσαν στους πράκτορες τέσσερις συγκεκριμένες δοκιμασίες, εκείνοι που είχαν προηγουμένως εξερευνήσει το νησί απέδωσαν καλύτερα από 13 αντίγραφα χωρίς προηγούμενη εμπειρία.
Σε μία δοκιμασία, οι έμπειροι πράκτορες κατάφεραν να τοποθετήσουν κατά μέσο όρο 10,3 αντικείμενα σε μια κορυφή, έναντι μόλις 3,5 των υπόλοιπων. Η διαγραφή χρήσιμων πληροφοριών από τη μνήμη τους μείωνε την απόδοσή τους, ενώ η αφαίρεση λανθασμένων συμπερασμάτων τη βελτίωνε.
Οι ερευνητές εκτιμούν ότι τα αποτελέσματα παρουσιάζουν χαρακτηριστικά παιχνιδιού, όπως η επινόηση κανόνων, η επανάληψη και η δημιουργία στόχων χωρίς εξωτερική ανταμοιβή.
Ωστόσο, παραμένει ανοιχτό το ερώτημα εάν οι πράκτορες πραγματικά «παίζουν» ή απλώς αναπαράγουν συμπεριφορές που έχουν μάθει κατά την εκπαίδευσή τους. Η γνωσιακή επιστήμονας Γιούνις Γιου, του Πανεπιστημίου της Καλιφόρνιας στο Μπέρκλεϊ, επισημαίνει ότι απαιτούνται περισσότερα στοιχεία για να εξαχθούν συμπεράσματα σχετικά με τα κίνητρα και τις γνωστικές διεργασίες τους.
Σε κάθε περίπτωση, το πείραμα δείχνει ότι η αυτόνομη εξερεύνηση, ακόμη και χωρίς προκαθορισμένο στόχο, μπορεί να βοηθήσει τα συστήματα τεχνητής νοημοσύνης να αποκτήσουν δεξιότητες που αποδεικνύονται χρήσιμες αργότερα. Η ερευνητική ομάδα έχει δημοσιεύσει τις καταγραφές και των 13 πειραμάτων στον ιστότοπο machineplaying.org.
Πηγή
