MIT kutatók szerint az AI-ügynökök „játszva” tanulnak a virtuális szigeten

Az Antonio Norelli vezette kutatócsoport szerint az „Eko” becenevű ügynökök saját szabályokat alkottak, új játékokat találtak ki, és a későbbi feladatmegoldó képességük is javult a kísérlet után. A kutatás eredményeit egyelőre előnyomtatott formában tették közzé, nem lektorálták. (MIT Technology Review)

Saját célok és játékok

Az „Eko” nevű ügynökök képesek voltak utasításokat írni, amelyekkel virtuális avatárjaikat mozgatták a szimulált környezetben. Felfedezték a világ határait, és olyan célokat tűztek ki, mint a legmagasabb pont elérése vagy egy kő feldobásának magasságának vizsgálata.

Az egyik ügynök felfedezte, hogy új blokkokat hozhat létre egy nagyobb kő dobásával és ejtésével, majd ezekből blokkokból rajzokat kezdett el készíteni, egyszerű mintáktól, mint a szívek és piramisok, egészen a saját nevének leírásáig és csillagképek, például Cassiopeia kirajzolásáig. Egy másik ügynök kosárlabdához hasonló játékot, illetve „a padló láva” nevű tevékenységet talált ki, ahol kis blokkok között kellett ugrálnia a föld érintése nélkül.

A játék mint harmadik tanulási paradigma

A kutatók szerint az ilyen viselkedés a játék klasszikus ismérveit mutatja: az ügynökök saját szabályokat és kihívásokat találtak ki, ismételték a tevékenységeket apró variációkkal, tárgyakat másnak képzeltek, és célokat követtek pusztán a kedvéért. Antonio Norelli, az MIT CSAIL kutatója kiemelte, hogy az egyik Eko-verzió 50 egymást követő ejtéses rekordot állított fel, majd ezt érvénytelenítette, mert túl gyorsnak ítélte, és szigorúbb szabályokkal kezdte újra. „Ez a játék” – mondta Norelli. „Magadnak adsz egy kihívást, megpróbálod elérni, majd nehezebbé teszed.”

A memória szerepe a tanulásban

Az ügynökök tevékenységeiket és felfedezéseiket szöveges fájlokba naplózták, amelyek hosszú távú memóriájukként szolgáltak. Későbbi tesztek során kiderült, hogy azok az ügynökök, amelyek 30 órát „játszottak” a szigeten, jobban teljesítettek egy konkrét feladatban – például minél több tárgyat juttattak fel a sziget csúcsára –, mint azok a friss másolatok, amelyek nem rendelkeztek ezzel a tapasztalattal. A kutatók azt is megfigyelték, hogy a memóriafájlok részleges törlése (ablating) rontotta az ügynökök teljesítményét, ami arra utal, hogy a memória hozzájárult a tanuláshoz.

Vita a valódi játék és a szerepjáték között

Bár a kutatók szerint a viselkedés megfelel a játék kritériumainak, felmerül a kérdés, hogy az ügynökök valóban játszottak-e, vagy csak szerepjátékot végeztek, szimulálva a játékos viselkedést. Nathan Cloos, a kutatás egyik társszerzője elismerte, hogy ez lehetséges, de hangsúlyozta, hogy a játék hozzájárult a tanuláshoz.

Eunice Yiu, az UC Berkeley kognitív tudósa szerint a valódi játékhoz több bizonyítékra lenne szükség a mögöttes kognícióról és motivációról, mivel az ügynökök csak az utasítást próbálhatták követni és az embereket utánozni. Phillip Isola, az MIT professzora hozzátette, hogy az ügynökök viselkedése a kultúránkból tanult, az Anthropic által betanított és az ő általuk elhelyezett rendszerek eredménye, amely meglepő és a jövőbeli képességeikkel összefüggő dolgokat tesznek.

A jövőbeli következmények

A kutatók szerint a célirányos tanulás mellett a „játszva tanulás” egy harmadik, eddig hiányzó megközelítés lehet a gépi intelligencia fejlesztésében. Ahogy a nagy nyelvi modellek szoftverből hardverré, például humanoid robotokká válnak, a cél nélküli térbeli felfedezés segíthet nekik rugalmasan alkalmazkodni az új környezetekhez. A kutatás arra utal, hogy míg egyes képességek feladatokon keresztül taníthatók a legjobban, másokhoz „gyermekkorra” lehet szükségük az AI-rendszereknek. A kísérlet során megfigyelt viselkedés 30 óra tartott.