Срочно

Искусственный интеллект находит силу игры в виртуальном мире, исследование MIT показывает

Friday 23 October 2026 - 12:30
Искусственный интеллект находит силу игры в виртуальном мире, исследование MIT показывает
Zoom

Системы искусственного интеллекта могут развивать полезные навыки через исследование, а не полагаясь исключительно на инструкции и заранее определенные цели. Эксперимент с 13 агентами ИИ, помещенными в симулированную островную среду, предполагает, что позволение этим системам исследовать окружающую среду и изобретать свои собственные занятия может предложить новый подход к машинному обучению.

Исследование, проведенное учеными из Массачусетского технологического института (MIT), изучало, как агенты ИИ ведут себя, когда их оставляют без конкретных задач на длительный срок. Вместо того чтобы оставаться бездействующими, системы создавали задачи, экспериментировали с виртуальными объектами и открывали техники, которые позже помогали им выполнять поставленные задачи.

Полученные результаты поднимают важный вопрос для разработчиков ИИ: может ли автономное исследование стать ценным дополнением к традиционным методам обучения?

Тринадцать агентов ИИ исследуют без назначенных задач

Для эксперимента исследователи поместили 13 агентов по имени Эко в отдельные версии симулированного острова. Каждый агент работал на Claude Opus 4.7 и имел возможность исследовать свою среду в течение 30 часов без получения конкретной цели.

Виртуальная среда содержала объекты и физические препятствия, которые агенты могли манипулировать с помощью простых действий. Их инструкции поощряли любопытство, но им не говорили явно создавать игры или стремиться к определенным достижениям.

В ходе эксперимента агенты развивали свои собственные занятия, от строительства конструкций из блоков до тестирования различных способов перемещения объектов по острову. Некоторые задачи возникали в результате проб и ошибок, неудачные попытки побуждали к поиску альтернативных стратегий.

Один агент, например, пытался достичь высокой скалистой формации, прежде чем изменить свой подход и использовать близлежащие объекты для создания пути вверх. В другом эпизоде попытка бросить кольцо привела к тому, что объект упал в океан. Агент затем начал складывать камни в памятник в форме сердца.

Эти эпизоды иллюстрируют, как, казалось бы, неструктурированная деятельность может генерировать последовательность экспериментов, открытий и новых целей.

Импровизированные игры раскрывают неожиданные возможности

Деятельность агентов выходила за рамки простого повторения движений. Они превращали обычные объекты в оборудование для импровизированных игр, включая занятия, напоминающие баскетбол и стрельбу по мишеням.

Что более важно, их эксперименты раскрыли способы взаимодействия с виртуальной средой, которые не были предсказаны исследователями.

Шесть из 13 агентов обнаружили, что отпускание блока во время прыжка позволяло им бросать его дальше. Это открытие продемонстрировало, как экспериментирование может выявить практическую информацию об окружающей среде без необходимости заранее указывать разработчикам каждую возможную технику.

Исследователи утверждают, что такое поведение может быть актуально для разработки более адаптивных систем ИИ. Вместо того чтобы учиться только тому, как выполнить заранее определенную задачу, агент мог бы сформировать более широкое понимание своей окружающей среды и использовать этот опыт при столкновении с новой задачей.

Игра сначала может улучшить производительность позже

После периода исследования исследователи протестировали агентов на конкретных задачах, включая перемещение объектов на самую высокую скалистую формацию острова.

Агенты, которые провели 30 часов в исследовании, в целом показали лучшие результаты, чем сопоставимые системы, не прошедшие этот опыт.

Этот результат предполагает, что самостоятельная деятельность может помочь системам ИИ приобретать переносимые навыки. Знания, полученные при экспериментировании с одной проблемой, могут оказаться полезными, когда вводится другая цель.

Такой подход отличается от традиционных стратегий обучения, в которых разработчики определяют задачу, устанавливают желаемый результат и оптимизируют производительность системы по конкретному критерию.

Тем не менее, эксперимент не устанавливает, что игра сама по себе достаточна для производства надежного общего интеллекта. Он предоставляет доказательства того, что исследование может способствовать производительности в контролируемой обстановке, оставляя открытыми вопросы о том, насколько широко эти выводы применимы к другим системам и средам.

Может ли автономное исследование помочь в обучении будущих роботов?

Последствия выходят за рамки виртуальных сред. Исследователи полагают, что обучение через исследование может в конечном итоге помочь системам ИИ, работающим в физическом мире, особенно роботам, которые должны реагировать на незнакомые условия.

Робот, обученный только для выполнения заранее определенных инструкций, может столкнуться с трудностями, когда условия меняются или появляется неожиданное препятствие. Напротив, система, которая разработала более широкий репертуар поведения через экспериментирование, может иметь больше вариантов, когда сталкивается с новой ситуацией.

Тем не менее, перевод открытий, сделанных в симулированной среде, в практические роботизированные возможности остается значительной технической задачей. Реальные машины должны учитывать безопасность, физические ограничения и непредсказуемые условия, которые могут быть недостаточно представлены в виртуальной среде.

Таким образом, исследование предлагает многообещающее направление для исследований, а не немедленное решение ограничений автономных машин.

Исследователи призывают к осторожности в отношении заявлений о машинной игре

Несмотря на кажущееся спонтанное поведение агентов, вопрос о том, являются ли их действия подлинной игрой, остается открытым научным вопросом.

Юнис Ю, когнитивный ученый из Университета Калифорнии в Беркли, приветствовала результаты, отметив, что необходимы дополнительные доказательства, чтобы установить, какой вид когниции лежит в основе наблюдаемых действий.

Это различие имеет значение, поскольку поведение, которое напоминает человеческую игру, не обязательно демонстрирует, что система ИИ испытывает любопытство, удовольствие или другие субъективные состояния. Агенты действовали в среде, созданной исследователями, и их первоначальные инструкции поощряли их к исследованию.

Понимание того, насколько много из их поведения является результатом усвоенных шаблонов, инструкций системы или более гибкого решения проблем, потребует дополнительных исследований.

Полученные результаты обсуждаются в исследовательской статье под названием Играет ли эта машина?, опубликованной на сервере предварительных публикаций arXiv, где исследования делятся до формальной рецензии.

Новое направление для развития ИИ

Эксперимент указывает на возможный сдвиг в том, как разработчики подходят к обучению автономных систем. Вместо того чтобы заранее определять каждое упражнение, исследователи могли бы предоставить агентам ИИ доступ к достаточно богатым и безопасным средам, в которых они могут независимо открывать полезные стратегии.

Такие методы могут дополнить обучение, основанное на задачах, особенно там, где гибкость и адаптация имеют решающее значение. Тем не менее, вопросы о воспроизводимости, стоимости длительного исследования и переносе приобретенных навыков на реальные задачи остаются нерешенными.

На данный момент эксперимент исследователей MIT предлагает представление о том, как предоставление системам ИИ пространства для исследования может расширить то, что они могут узнать. Его центральный вклад заключается не в доказательстве того, что машины играют как люди, а в доказательствах того, что самостоятельное экспериментирование может привести к практическим открытиям, которые традиционные инструкции могут упустить.



Читать далее