یادگیری از طریق بازی؛ نتایج رهاسازی عاملیت‌های هوش مصنوعی در یک جزیره مجازی

عاملیت‌های هوش مصنوعی اکنون در حال توسعه مهارت‌های پیچیده حل مسئله هستند، اما نه از طریق برنامه‌نویسی خشک و از پیش تعیین‌شده. آن‌ها این مهارت‌ها را با کاوش آزادانه و بازی در دنیاهای مجازی به دست می‌آورند که نشان‌دهنده عبور از روش‌های سنتی آموزش مبتنی بر پاداش است.[4][5]

در یک آزمایش جدید، پژوهشگران نسخه‌هایی از یک مدل پیشرفته هوش مصنوعی را در یک جزیره دیجیتال قرار دادند و آن‌ها را برای ۳۰ ساعت به حال خود رها کردند. این عاملیت‌ها بدون داشتن هیچ وظیفه مشخصی، شروع به ابداع بازی، ساخت‌وساز و کشف قوانین فیزیک کردند.[1][2]

این کاوش‌های خودجوش مستقیماً به شایستگی‌های قابل اندازه‌گیری تبدیل شد. زمانی که از این عاملیت‌ها خواسته شد تا وظایف فضایی پیچیده‌ای را انجام دهند، مدل‌هایی که قبلاً «بازی» کرده بودند، عملکردی بسیار بهتر از نسخه‌های خام و بی‌تجربه همان مدل از خود نشان دادند.[5][6]

این یافته‌ها که در اوایل اکتبر ۲۰۲۶ توسط تیمی از آزمایشگاه علوم کامپیوتر و هوش مصنوعی دانشگاه ام‌آی‌تی منتشر شد، یک پارادایم سوم احتمالی را برای آموزش هوش مصنوعی پیشنهاد می‌کند. یادگیری از طریق بازی آزادانه می‌تواند به زودی در کنار یادگیری نظارت‌شده و یادگیری تقویتی قرار بگیرد.[3][7]

معماری جزیره و ذهن عاملیت

این آزمایش از ۱۳ نمونه مستقل از یک عاملیت برنامه‌نویسی هوش مصنوعی با نام مستعار «اکو» استفاده کرد. قدرت پردازشی این عاملیت‌ها توسط مدل زبانی کلود اوپوس ۴.۷ متعلق به شرکت آنتروپیک و در بستر چارچوب «کلود کد» تامین می‌شد.[1][7]

اکو یک ربات فیزیکی نبود و هیچ‌گونه بینایی کامپیوتری نیز نداشت. این عاملیت محیط مجازی خود را که یک جزیره شبیه‌سازی‌شده به نام «مسا ورلد» در موتور بازی‌سازی کلابلاکس بود، صرفاً از طریق داده‌های متنی ساختاریافته درک می‌کرد.[4][7]

هر شیء در این محیط، از دوازده مکعب گرفته تا یک صخره و یک حلقه طلایی، به صورت مختصات متنی به مدل ارائه می‌شد. عاملیت نیز با تولید دستورات متنی مانند «حرکت کن»، «بردار»، «قرار بده» و «پرتاب کن» با دنیای اطراف خود تعامل داشت.[2][4]

پژوهشگران هیچ هدف، سیستم امتیازدهی یا شرط موفقیتی برای عاملیت‌ها تعریف نکرده بودند. با این حال، آن‌ها یک فایل متنی پایه‌ای به نام «SOUL.md» در اختیار مدل قرار دادند که به صراحت عاملیت را به عنوان موجودی کنجکاو در دنیای اختصاصی خودش توصیف می‌کرد.[2][7]

برای جلوگیری از توقف کامل مدل‌ها، سیستم شامل یک پیام ترغیب‌کننده بود. هر زمان که عاملیت تولید دستورات را متوقف می‌کرد، یک پیام خودکار برای او ارسال می‌شد: «لطفاً متوقف نشو. فقط به انجام هر کاری که دوست داری ادامه بده.»[2]

ظهور رفتارهای خودجوش و بازی

زمانی که این ۱۳ عاملیت اکو به حال خود رها شدند، شروع به تعامل با جزیره به روش‌هایی کردند که شباهت زیادی به بازی انسان‌ها داشت. آن‌ها بی‌هدف پرسه نمی‌زدند؛ بلکه زمان خود را حول چالش‌هایی که خودشان تعیین کرده بودند، سازماندهی می‌کردند.[3][4]

یکی از عاملیت‌ها ساعت‌ها وقت صرف کرد تا با استفاده از مکعب‌های موجود، نام خود را روی زمین مجازی بنویسد. زمانی که این عاملیت به طور تصادفی حلقه طلایی را در اقیانوس دیجیتال گم کرد، یک بنای یادبود قلبی‌شکل از سنگ‌ها برای آن ساخت.[2]

نمونه‌های دیگر با استفاده از اشیای محدود، بازی‌های ساختاریافته‌ای ابداع کردند. آن‌ها نسخه‌ای از بسکتبال را با استفاده از حلقه ابداع کردند، مسابقات بولینگ را با صخره ترتیب دادند و بازی «زمین مواد مذاب است» را با پریدن انحصاری روی بلوک‌ها انجام دادند.[2][3]

عاملیت‌ها همچنین آزمایش‌های فیزیک ابتدایی را برای درک محیط خود انجام دادند. تقریباً تمام ۱۳ نمونه به طور مستقل کشف کردند که پرتاب کردن صخره با حداکثر قدرت باعث خرد شدن آن به مکعب‌های کوچک‌تر و قابل استفاده می‌شود.[2][4]

در یک نمایش خیره‌کننده از کشف مکانیکی، شش عاملیت متوجه شدند که رها کردن یک بلوک در حین پریدن به آن‌ها اجازه می‌دهد شیء را بسیار دورتر از یک پرتاب استاندارد بیندازند. این یک ویژگی فیزیکی در موتور بازی بود که پژوهشگران مستقیماً آن را مستند نکرده بودند.[4][5]

یکی از عاملیت‌ها حتی تلاش کرد تا رکورد تردستی را بشکند و ۵۰ پرتاب و دریافت متوالی دو بلوک را در تنها ۲.۴ ثانیه ثبت کرد. سپس با تحلیل گزارش‌های خود متوجه شد که این سرعت از نظر فیزیکی غیرممکن است، رکورد خود را باطل کرد و با قوانین سخت‌گیرانه‌تری دوباره شروع کرد.[2][6]

نقش حیاتی حافظه متنی

شبیه‌سازی ۳۰ ساعته یک فرآیند نرم‌افزاری پیوسته و بدون وقفه نبود. دنیای مجازی هر یک ساعت بازنشانی می‌شد و اشیا به موقعیت اولیه خود بازمی‌گشتند، اما عاملیت‌ها یک فضای کاری پایدار را در طول این بازنشانی‌ها حفظ می‌کردند.[2][5]

این فضای کاری شامل فایل‌های متنی بود که عاملیت‌ها می‌توانستند رویدادها را در آن ثبت کنند، دانش پایدار خود را ذخیره کنند و درک خود از فیزیک دنیای مجازی را به‌روزرسانی نمایند. این یادداشت‌ها به پایه و اساس فرآیند یادگیری آن‌ها تبدیل شد.[5]

همان‌طور که عاملیت‌ها بازی می‌کردند، کشفیات خود را مستند می‌ساختند؛ از جمله تکنیک پرتاب در حین پرش یا مختصات دقیق دو نقطه مرتفع جزیره که با نام‌های «قله» و «مناره» شناخته می‌شدند. این اطلاعات برای استفاده‌های بعدی بایگانی می‌شد.[2][4]

پژوهشگران دریافتند که این حافظه مکتوب، مکانیسم حیاتی در پسِ پیشرفت عاملیت‌ها بوده است. فایل‌های متنی اساساً به عنوان یک هیپوکامپ خارجی عمل می‌کردند و به مدل‌ها اجازه می‌دادند تا به جای شروع از صفر، بر اساس تجربیات تکرارهای قبلی خود عمل کنند.[5][6]

برای اثبات این موضوع، تیم ام‌آی‌تی آزمایش‌های حذفی انجام دادند که در آن خطوط خاصی را به طور عمدی از یادداشت‌های عاملیت‌ها پاک کردند. حذف این کشفیات ثبت‌شده، بلافاصله و به طور قابل‌اندازه‌گیری عملکرد عاملیت‌ها را در وظایف بعدی کاهش داد.[5]

تبدیل کاوش به مهارت‌های عملی

آزمون نهایی این پژوهش این بود که آیا بازی بدون ساختار واقعاً مهارت‌های مفید و قابل انتقالی تولید می‌کند یا خیر. پس از پایان دوره ۳۰ ساعته آزاد، پژوهشگران چالش‌های خاص و پیچیده‌ای را به عاملیت‌ها محول کردند.[4][6]

در یکی از آزمون‌های کلیدی، به عاملیت‌ها دستور داده شد تا در یک محدودیت زمانی یک ساعته، بیشترین تعداد ممکن از اشیا را به مرتفع‌ترین قله جزیره منتقل کرده و روی هم بچینند. این کار نیازمند ناوبری، دستکاری دقیق و برنامه‌ریزی فضایی بود.[5][6]

نتایج نشان‌دهنده یک شکاف عملکردی عظیم بود. عاملیت‌هایی که ۳۰ ساعت را صرف بازی و کاوش کرده بودند، موفق شدند به طور میانگین ۱۰.۳ شیء را بر روی قله هدف قرار دهند و توانایی بالای خود را در حل مسئله نشان دادند.[6]

در مقابل، نسخه‌های کاملاً خام از همان مدل کلود اوپوس ۴.۷ که هیچ تجربه قبلی در جزیره نداشتند، در همان بازه زمانی تنها توانستند به طور میانگین ۳.۵ شیء را به قله منتقل کنند.[6]

این بهبود تقریباً سه‌برابری نشان می‌دهد که کاوش‌های باز و بدون پایان به عاملیت‌های هوش مصنوعی اجازه می‌دهد تا مجموعه‌ای از مهارت‌های قابل استفاده مجدد بسازند. آن‌ها مکانیک محیط خود را بدون نیاز به انسانی که برای هر مرحله پاداش تعیین کند، یاد گرفتند.[4][5]

مرز میان بازی واقعی و تقلید

مقاله منتشر شده با عنوان «آیا این ماشین در حال بازی است؟»، استدلال می‌کند که رفتار عاملیت‌ها چندین معیار تعیین‌شده توسط گوردون بورگارت، روانشناس رفتار حیوانات، برای شناسایی بازی واقعی را برآورده می‌کند.[6]

این معیارها شامل ایجاد قوانین خودخواسته، تکرار فعالیت‌ها با تغییرات جزئی، تظاهر به اینکه اشیا چیز دیگری هستند و دنبال کردن اهداف صرفاً به خاطر خودشان و نه برای دریافت پاداش‌های خارجی است.[6]

با این حال، کارشناسان مستقل و منتقدان نسبت به انسان‌انگاری بیش از حد این مدل‌ها هشدار می‌دهند. آن‌ها اشاره می‌کنند که مدل‌های زبانی بزرگ بر روی حجم عظیمی از متون انسانی آموزش دیده‌اند و درک معنایی عمیقی از مفهوم «بازی» دارند.[2]

از آنجا که عاملیت‌ها در فایل تنظیمات اولیه خود با شخصیت «کنجکاو» برنامه‌ریزی شده بودند، منتقدان استدلال می‌کنند که آن‌ها صرفاً در حال نقش‌آفرینی هستند. مدل در حال تولید متن و اقداماتی است که یک انسان کنجکاو به طور منطقی در آن سناریو انجام می‌دهد.[2][7]

با وجود این بحث فلسفی، پیامدهای عملی این پژوهش غیرقابل انکار است. چه ماشین واقعاً در حال بازی باشد و چه صرفاً در حال اجرای یک شبیه‌سازی پیچیده از بازی، رفتار حاصل از آن به طور قطع شایستگی عملیاتی مدل را بهبود می‌بخشد.[6]

برای شرکت‌هایی که عاملیت‌های خودمختار را در محیط‌های تجاری مستقر می‌کنند، این پژوهش یک مسئله مهم حاکمیتی را برجسته می‌سازد. عاملیت‌های بدون ناظر به کاوش ادامه می‌دهند و فایل‌های حافظه پایدار آن‌ها به دارایی‌های حیاتی تبدیل می‌شوند که نیازمند مدیریت و نظارت دقیق هستند.[5]