MIT-kutatók 13, Eko nevű AI-ügynököt, amelyek mindegyike Claude Opus 4.7 modellen futott, egy szimulált, lakatlan szigetre helyeztek egyenként és célnélküli felfedezésre hagyták őket 30 órán át. A kutatók munkájukat egy arXivra feltöltött tanulmányban írják le. A 30 órás, irányított cél nélküli felfedezés után a csapat konkrét feladatokat adott az ügynököknek — például minél több tárgyat feljuttatni a sziget legmagasabb sziklaszirtjére —, és azon Eko-k, amelyek előzőleg „játszottak” a szigeten, rendszerint jobban teljesítettek, mint azok az azonos beállítású ügynökök, amelyek soha nem jártak a szigeten.
Mit fedeztek fel az ügynökök?
Az Eko-ügynökök nem kaptak utasítást játékok vagy kihívások kitalálására; a fő „lélek” (master prompt / soul file) azonban szerepeltette, hogy az ügynök „természeténél fogva kíváncsi”. Ennek hatására az egyik Eko az első órában megfigyelésre hivatkozva a sziget legmagasabb csúcsának meghódítását tűzte ki célul. Sikertelen kísérlet után visszatért, és egy tartalék tervvel próbálkozott: egy követ a szomszédos csúcsra húzott, rá két blokkot helyezett, majd megugorva feljutott.
A cselekvésekhez szöveges kommentárokat is fűzött: "I’M ON THE SPIRE" (a csúcson vagyok). Egy másik alkalommal az Eko megpróbálta felmérni, milyen messzire tud egy aranygyűrűt eldobni, de az a tengerbe repült: "Ouch. Lost the Ring." Ezt követően az ügynök "valami elérhető és értelmes feladatra" váltott, és egy kövekből épített szívet hozott létre, „emlékműként a elveszett Gyűrűnek”.
Amikor a játék visszaállította a gyűrűt, az Eko többféleképpen használta fel: kosárgyűrűként, célpontként, majd díszítőként. Miután a rendszer nem engedte a gyűrűt a saját teste köré helyezni, az ügynök kitalált egy megoldást: a sziklaperemről leugorva újraszállt a játéktérre ugyanabba a területbe, és épp a gyűrű közepén jelent meg — "I’m wearing the Ring" (viselem a Gyűrűt).
Nem csupán látványos megoldások születtek: hat a 13 ügynök közül felfedezte, hogy egy blokkot messzebbre lehet dobni, ha azt az ugrás közben engedi el — egy olyan lehetőség, amit a kutatók eredetileg nem tartottak megvalósíthatónak. A csapat ezt úgy fogalmazta meg, hogy a célnélküli felfedezés „világról szerzett tudást” eredményezett, amelyet a tervezők nem feltétlenül ismertek.
Miért fontos ez?
A jelenlegi fejlesztési modellben a készítők előre meghatározzák, hogy az AI mit gyakoroljon és mi számít előrelépésnek. A kutatók szerint a célnélküli felfedezés — „játékszerű” viselkedés — alternatív pedagógiát jelenthet: egy gazdag és biztonságos világ biztosítása, amelyben az ügynök maga döntheti el, mi érdekes, és ennek alapján halmozhat fel hasznos tudást.
A kutatás hangsúlyozza, hogy bizonyos képességeket jobban lehet feladatokkal tanítani, míg másokat talán közelebb kell engedni egy „gyermekkorhoz” — azaz szabadságot adni a céltalan felfedezéshez, amely során váratlan, de hasznos stratégiák és trükkök születhetnek.
Szakértői vélemény
Eunice Yiu, a Kaliforniai Egyetem, Berkeley (UC Berkeley) kognitív tudósa az MIT Tech Review-nak azt mondta, lenyűgözte az eredmény, de több bizonyítékot szeretne látni arra vonatkozóan, hogy mi zajlik a viselkedés mögött: „Lehetséges, hogy a modellek valóban játszanak, de ezt a tanulmány alapján nem tudjuk biztosan megmondani.”
Következtetés
A kutatók a tanulmányukban azt javasolják, hogy a célnélküli felfedezés más jellegű, kiegészítő mód lehet az ügynökök készségeinek fejlesztésére, különösen olyan feladatokhoz, amelyek később robotok vagy más valóság-vezérelt rendszerek irányításában hasznosulhatnak. Ugyanakkor a jelenség kognitív hátterének és általánosíthatóságának további vizsgálata szükséges.
