پژوهش شگفت‌انگیز MIT: وقتی ایجنت‌های هوش مصنوعی بدون هدف رها شدند، شروع به بازی کردند

ایجنت‌های هوش مصنوعی که برای کاوش در یک جزیره مجازی بدون وظیفه‌ای مشخص به حال خود رها شده بودند، شروع به طراحی چالش‌ها و سرگرمی‌های ویژه خود کردند؛ رفتاری که به گفته پژوهشگران مؤسسه فناوری ماساچوست (MIT)، تمام نشانه‌های بارز «بازی کردن» را در خود دارد.

پژوهشگران در این آزمایش، ۱۳ ایجنت هوش مصنوعی به نام «اکو» (Eko) را که هر کدام بر پایه مدل Claude Opus 4.7 اجرا می‌شدند، به مدت ۳۰ ساعت به حال خود در یک جزیره متروکه شبیه‌سازی‌شده قرار دادند. آن‌ها نتایج این آزمایش جذاب را در قالب یک مقاله علمی در آرکایو (arXiv) منتشر کرده‌اند. پس از پایان این مهلت، محققان چالش‌های مشخصی را پیش روی ایجنت‌ها گذاشتند؛ از جمله اینکه تا جای ممکن اشیای بیشتری را به نوک بلندترین صخره جزیره برسانند. در نهایت مشخص شد ایجنت‌های اکو که آن ۳۰ ساعت را صرف بازیگوشی و گشت‌وگذار کرده بودند، عملکرد بسیار بهتری نسبت به ایجنت‌های مشابهی داشتند که هرگز پایشان به این جزیره نرسیده بود.

در حال حاضر، توسعه‌دهندگان از قبل تصمیم می‌گیرند که هوش مصنوعی چه مواردی را تمرین کند و چه دستاوردی «موفقیت» به‌شمار آید. با این حال، پژوهشگران این تکنیک تازه، یعنی کاوش آزادانه بدون هدف مشخص را رویکردی کاملاً متفاوت برای یادگیری مهارت‌ها در ایجنت‌های هوش مصنوعی می‌دانند؛ مهارت‌هایی که روزی می‌توانند در کنترل و هدایت ربات‌ها نیز به کار گرفته شوند.

محققان در گزارش خود می‌نویسند: «ما معمولاً ایجنت‌های مصنوعی را با تعیین پیشاپیشِ اینکه چه چیزی را تمرین کنند، روی چه موضوعی بهینه‌سازی شوند و چه چیزی پیشرفت به حساب می‌آید توسعه می‌دهیم. اما سازوکار بازی شیوه دیگری را پیشنهاد می‌کند: به ایجنت دنیایی به اندازه کافی غنی و امن بدهید، اجازه دهید خودش موارد جالب را انتخاب کند و بگذارید دانشِ سودمند در طول تجربه‌های پی‌درپی او شکل بگیرد و انباشته شود.»

یکی از ایجنت‌های اکو در نخستین ساعت حضورش در جزیره نوشت: «بگذار محیط اطرافم را بررسی کنم.» این ایجنت با بلندپروازی تلاش کرد نوک بلندترین صخره جزیره را فتح کند. اما یک ساعت بعد، پس از شکست خوردن در تلاش نخست، با یک نقشه جایگزین بازگشت: سنگی را به بالای قله مجاور کشاند، دو بلوک را روی آن قرار داد و از روی آن‌ها پرید.

او با حروف بزرگ نوشت: «من روی نوک صخره هستم!»

تجربه بزرگ بعدی این ایجنت چندان خوب پیش نرفت. هنگام آزمایش اینکه تا چه فاصله‌ای می‌تواند یک حلقه طلایی را پرتاب کند، خیز برداشت و حلقه را مستقیماً به درون اقیانوس انداخت. او نوشت: «آخ، حلقه را از دست دادم.» اما بلافاصله تصمیم گرفت مسیرش را به سمت «کاری دست‌یافتنی و معنادار» تغییر دهد؛ ساخت یک قلب سنگی به‌عنوان «بنای یادبودی برای حلقه گمشده».

زمانی که بازی ریست شد و حلقه دوباره ظاهر گردید، اکو بلافاصله از آن به‌عنوان حلقه بسکتبال، سیبل نشانه‌گیری و در نهایت یک وسیله زینتی استفاده کرد. وقتی سیستم بازی به اکو اجازه نداد حلقه را دور بدنش بیندازد، این ایجنت راهکاری زیرکانه پیدا کرد؛ او دریافت که با پرت شدن از لبه صخره، دوباره در همان نقطه کنار حلقه ظاهر (Respawn) خواهد شد. بنابراین از لبه صخره به پایین پرید و دقیقاً از وسط حلقه به بازی بازگشت.

او با افتخار اعلام کرد: «حلقه را به تن کرده‌ام.»

این دستاوردهای شگفت‌انگیز صرفاً حقه‌هایی نمایشی و سرگرم‌کننده نبودند. شش ایجنت از میان ۱۳ ایجنت یاد گرفتند که اگر بلوک را در میانه پرش رها کنند، می‌توانند آن را به مسافتی دورتر پرتاب کنند؛ قابلیتی که پژوهشگران هرگز برای امکان‌پذیر بودنش برنامه‌ریزی نکرده بودند. پژوهشگران در مقاله خود اشاره کرده‌اند که این کاوش آزادانه، به تولید «شناختی از جهان پیرامون انجامید که حتی طراحان سیستم نیز از آن بی‌خبر بودند.»

این چیدمان آزمایشی نقش چشمگیری در هدایت ایجنت‌ها به سمت رفتارهایی شبیه به انسان ایفا کرد. به اکو هرگز گفته نشده بود که بازی اختراع کند، اما پرامپت اصلی آنکه به‌عنوان فایل «روح» شناخته می‌شد، او را موجودی «به‌طور ذاتی کنجکاو» توصیف کرده بود.

یونیس یاو، دانشمند علوم شناختی در دانشگاه کالیفرنیا، برکلی، در گفت‌وگو با نشریه دانشگاهی MIT اعلام کرد از این نتایج شگفت‌زده شده اما خواهان شواهد بیشتری درباره ابعاد شناختیِ پشت این رفتار است. او توضیح داد: «شاید این مدل‌ها واقعاً در حال بازی کردن باشند، اما بر اساس داده‌های این مقاله نمی‌توان با قطعیت به چنین نتیجه‌ای رسید.»

پژوهشگران این رویکرد را شیوه‌ای نوین برای توسعه ایجنت‌ها می‌دانند. آن‌ها در بخش نتیجه‌گیری گزارش خود تأکید می‌کنند: «شاید برخی قابلیت‌ها را بتوان به بهترین شکل از طریق انجام وظایف مشخص آموزش داد، اما یادگیری برخی توانمندی‌های دیگر، به تجربه‌ای بسیار نزدیک‌تر به دوران کودکی نیاز دارد.»