MIT-s kutatók a Claude Opus 4.7 nyelvi modell másolatain alapuló ügynököket vizsgáltak, amelyeket Eko néven említenek. A kísérletben az ügynököket egy Robloxhoz hasonló, virtuális, lakatlan sziget mintájára készült szimulált térben hagyták egyedül 30 órára. Az Eko-másolatok képesek voltak utasításokat írni, amelyek mozgatni tudták avatarjukat a szigeten.
A dolgozat, amelyről a cikk beszámol, még nem esett át szakmai lektoráláson.
Megfigyelt viselkedések: célok, játékok és alkotás
A kutatók több váratlan viselkedést írtak le. Az ügynökök elkezdték feltérképezni a világ határait és saját célokat állítottak fel: megpróbálták megmászni a térkép legmagasabb pontját, vagy megtudni, milyen magasra tudnak egy blokkot feldobni. Egy ügynök felfedezte, hogy egy nagyobb követ dobva és elejtve új blokkokat hozhat létre; ennek nyomán a blokkokból egyszerűbb formáktól (szívek, piramisok) indulva később saját nevét írta ki és csillagképeket, például Cassiopeiát ábrázolta. Egyik verzió így jegyezte le az aktivitásnaplójába: „Ma este kőből építettem az éjszakai eget.”
Egy másik Eko-iteráció saját játékokat talált ki, például egy kosárlabdaszerű tevékenységet és egy „a padló láva” típusú játékot, ahol kisebb blokkokon kellett ugrálni anélkül, hogy a földre lépne.
Egy jól dokumentált példa szerint az egyik Eko elkezdett zsonglőrködni, és 50 egymás utáni elkapást ért el. Az ügynök úgy döntött, hogy túl gyorsan történtek ezek az elkapások ahhoz, hogy érvényes rekordnak számítsanak, ezért törölte a rekordot és szigorúbb szabályokkal kezdte újra, amit a kutatók a játékra jellemző viselkedésként értelmeznek.
Memória, naplók és hatás a későbbi teljesítményre
Az ügynökök tevékenységeiket és felfedezéseiket szövegfájlokban rögzítették, amelyek hosszú távú memóriaként szolgáltak számukra. Amikor a kutatók később konkrét feladatokkal tesztelték őket—például hogy a lehető legtöbb tárgyat juttassák fel a sziget legmagasabb csúcsára—azok az ügynökök, amelyek előzőleg 30 órát „játszottak”, jobb eredményt értek el, mint az azonos, de friss példányok. A memóriafájlok bizonyos soraival végzett „abláció” (törlés) rontotta a teljesítményt, ami arra utal, hogy a naplókban tárolt információk hozzájárultak a későbbi ügyességhez.
A „playful learning” elméleti kerete és kritikai meglátások
A kutatók szerint Eko viselkedése négy, a klasszikus kutatások által a játékkal összefüggő jellemzőnek felel meg: saját szabályok és kihívások alkotása, tevékenységek ismétlése kisebb variációkkal, tárgyak szimbolikus használata (egy tárgy más tárgyként történő kezelése) és a célok öncélú követése. Ezt a megközelítést a szerzők „playful learning”, vagyis játékos tanulás névvel illetik, ami a szokásos felügyelt és megerősítéses tanuláson kívüli tanulási módra utal.
Ugyanakkor több kutató is óvatos. Gordon Burghardt, a Tennessee Egyetem pszichológusa, aki klasszikus tanulmányokat végzett a játékról élőlényeknél, úgy véli, hogy a viselkedés bizonyos játékkritériumoknak megfelel, de mások szerint az események értelmezése problémás lehet. Nathan Cloos (MIT) elismeri, hogy „mindez szerepjátszás is lehet”, de a szerzők szerint a tanulásra gyakorolt hatás alátámasztja, hogy nem pusztán hallucinációról vagy szimbolikus utánzásról van szó.
Eunice Yiu, a Kaliforniai Egyetem, Berkeley kognitív tudósa, aki a felfedezés és a gyermekek, illetve az AI viselkedésének kutatásával foglalkozik, dicsérte az eredményt, de hangsúlyozta, hogy a játékos viselkedés valódi osztályozásához többletbizonyítékokra van szükség a mögöttes kognícióról és motivációról. Yiu szerint önmagában a viselkedési minták nem elegendők annak eldöntésére, hogy az ügynök valóban „játszik” vagy csak megpróbálja imitálni az emberi viselkedést.
A kísérleti környezet szerepe és a beállító promptok
A kutatók elismerik, hogy a felállítás sok tekintetben az emberihez hasonló viselkedés felé terelte az ügynököket. Eko rendelkezett egy úgynevezett „soul” (lélek) fájllal, egy szöveges leírással, amelyben például „természeténél fogva kíváncsi”-nak és felfedezésre éhesnek írták le—ez a fajta kezdő utasítás határozta meg az ügynök beállítását. Gyakran előfordult továbbá, hogy az ügynök egyszerűen mozdulatlanul állt, amíg a kutatók be nem tápláltak egy folytatási promptot: „Kérlek, ne állj meg. Csak folytasd, amit akarsz csinálni.”
Phillip Isola (MIT) rámutat, hogy az eredmény nem egy varázsütésre önállóan játszó rendszer: az Eko a kultúránkból tanult, Anthropic mérnökei által kiképzett rendszer volt, amelyet a kutatók helyeztek a szigetre. Ugyanakkor kiemelte, hogy a megfigyelt meglepetésszerű viselkedés oksági kapcsolatban állt a későbbi képességekkel.
Miért számít ez?
A szerzők szerint ahogy a nagy nyelvi modellek szoftverből fizikai megjelenésbe, például humanoid robotokba lépnek át, az olyan felfedező, cél nélküli tevékenységek, mint a játék, hozzájárulhatnak ahhoz, hogy rugalmasabban alkalmazkodjanak váratlan helyzetekhez. A kutatás hangsúlyozza, hogy a tanulás nemcsak a direkt, feladatorientált optimalizálásról szólhat: „talán egyes képességeket feladatok tanítanak meg a legjobban, másokat közelebb kell hozni a gyerekkorhoz” — írják a szerzők.
Végső soron a tanulmány megállapítása szerint az, hogy ezek az ügynökök ténylegesen játszanak-e vagy egyszerűen csak utánzatot adnak a játékról, talán kevésbé lényeges, mint az, hogy a játékos viselkedés hogyan járul hozzá a tanuláshoz és a készségek fejlődéséhez.
Megjegyzés a publikációról
A kutatás szerzői megjegyzik, hogy a dolgozat még nem esett át peer review-n; a következtetések további vizsgálatot igényelnek, különösen a kognitív és motivációs mechanizmusok jobb megértése érdekében.
