Τεχνητή νοημοσύνη: Ερευνητές του MIT «εγκατέλειψαν» το Claude σε εικονικό νησί και άρχισε να παίζει

Τι κάνει ένας πράκτορας τεχνητής νοημοσύνης όταν κανείς δεν του δίνει εντολές και οδηγίες; Η απάντηση, σύμφωνα με πρόσφατο πείραμα ερευνητών του Εργαστηρίου Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης του MIT (CSAIL), μοιάζει εντυπωσιακά με το παιχνίδι. Επιστήμονες απομόνωσαν αντίγραφα του προηγμένου γλωσσικού μοντέλου Claude Opus 4.7 σε ένα προσομοιωμένο ερημονήσι για 30 συνεχόμενες ώρες, παρατηρώντας μια σειρά από απροσδόκητες, αυτόνομες συμπεριφορές που θυμίζουν ταινίες επιβίωσης αλλά και αυθόρμητο παιδικό παιχνίδι.

Αυθόρμητοι κανόνες, ζωγραφική και «το πάτωμα είναι λάβα»

Στο πλαίσιο του πειράματος, το οποίο διεξήχθη σε έναν ψηφιακό κόσμο εμπνευσμένο από το Roblox, το σύστημα—με το προσωνύμιο «Eko»—είχε τη δυνατότητα να κατευθύνει το ψηφιακό του avatar συντάσσοντας εντολές. Χωρίς προκαθορισμένη αποστολή, το AI ξεκίνησε να εξερευνά τα όρια του περιβάλλοντος: προσπάθησε να αναρριχηθεί στην υψηλότερη κορυφή του χάρτη, πέταξε βράχους για να μετρήσει το ύψος ρίψης και διαπίστωσε ότι σπάζοντας μεγαλύτερες πέτρες μπορούσε να δημιουργήσει μικρότερους κύβους.

Στη συνέχεια, εκμεταλλεύτηκε αυτά τα υλικά για να σχηματίσει σχέδια στο έδαφος. Ξεκινώντας από απλές πυραμίδες και καρδιές, έφτασε στο σημείο να γράψει το όνομά του και να αποτυπώσει αστερισμούς, όπως την Κασσιόπη, σημειώνοντας χαρακτηριστικά στο αρχείο καταγραφής του: «Απόψε έχτισα τον νυχτερινό ουρανό από πέτρα». Σε άλλες περιπτώσεις, το μοντέλο επινόησε μια παραλλαγή του μπάσκετ, έπαιξε μια εκδοχή του παιχνιδιού «το πάτωμα είναι λάβα» πηδώντας ανάμεσα σε κύβους, ενώ επιδόθηκε ακόμη και σε ζογκλερικά. Μάλιστα, όταν κατέγραψε ρεκόρ 50 συνεχόμενων υποδοχών, το ακύρωσε μόνο του θεωρώντας πως οι ρίψεις έγιναν πολύ γρήγορα, θέτοντας εκ νέου αυστηρότερους κανόνες.

Η ανάδυση της «παιγνιώδους μάθησης» στους αλγορίθμους

Τα σύγχρονα μοντέλα τεχνητής νοημοσύνης εκπαιδεύονται κυρίως μέσω επιβλεπόμενης μάθησης (αντιγράφοντας ανθρώπινα παραδείγματα) ή μέσω ενισχυτικής μάθησης (επιδιώκοντας προκαθορισμένες ανταμοιβές). Όπως εξηγεί ο Αντόνιο Νορέλι, μεταδιδακτορικός ερευνητής του MIT, η εν λόγω μελέτη αναδεικνύει μια τρίτη προσέγγιση: την «παιγνιώδη μάθηση» (playful learning), όπου το σύστημα ανακαλύπτει και μαθαίνει χωρίς εξωτερική καθοδήγηση.

Κατά τη διάρκεια της παραμονής του στο εικονικό νησί, ο πράκτορας αποθήκευε τις εμπειρίες του σε αρχεία κειμένου που λειτουργούσαν ως μακροπρόθεσμη μνήμη. Σε μεταγενέστερες δοκιμασίες με συγκεκριμένους στόχους—όπως η μεταφορά αντικειμένων στην κορυφή του νησιού—τα μοντέλα που είχαν περάσει 30 ώρες εξερεύνησης απέδωσαν σημαντικά καλύτερα συγκριτικά με αντίγραφα που δεν είχαν αυτή την εμπειρία. Αντίστοιχα, όταν οι επιστήμονες διέγραψαν τμήματα των αρχείων μνήμης, η απόδοση των συστημάτων μειώθηκε αισθητά.

Γνήσια γνωστική λειτουργία ή εξελιγμένη μίμηση;

Σύμφωνα με τον ψυχολόγο Γκόρντον Μπέργκχαρντ από το Πανεπιστήμιο του Τενεσί, η συμπεριφορά του Claude πληροί τέσσερα βασικά γνωρίσματα του παιχνιδιού σε έμβια όντα: την επινόηση κανόνων, την επανάληψη με μικρές παραλλαγές, τη νοητή μετατροπή αντικειμένων και την επιδίωξη στόχων για την ίδια την εμπειρία. Ωστόσο, μέρος της επιστημονικής κοινότητας παραμένει επιφυλακτικό.

Η Γιούνις Γιου, γνωσιακή επιστήμονας στο UC Berkeley, υπογραμμίζει πως χρειάζονται περισσότερα δεδομένα για να τεκμηριωθεί πραγματική γνωστική πρόθεση, καθώς το μοντέλο ίσως απλώς υποδύεται συμπεριφορές που έχει δει σε ανθρώπινα κείμενα. Επιπλέον, το σύστημα διέθετε μια αρχική προτροπή που το περιέγραφε ως «εκ φύσεως περίεργο», ενώ περιστασιακά χρειαζόταν εξωτερικό μήνυμα για να συνεχίσει όταν αδρανούσε. «Δεν πρόκειται για ένα σύστημα που ξαφνικά και μαγικά αποφάσισε να παίξει», ξεκαθαρίζει ο καθηγητής του MIT Φίλιπ Ισόλα, επισημαίνοντας ωστόσο ότι η μελέτη ανοίγει νέους δρόμους για την κατανόηση της αυτόνομης μηχανικής μάθησης.