এমআইটি গবেষকরা যখন 13 জন এআই এজেন্টকে একটি সিমুলেটেড মরুভূমির দ্বীপে আটকালেন, কিছুই করার নেই, তখন এজেন্টরা অপ্রত্যাশিত কিছু করেছিল: তারা খেলতে শুরু করেছিল। এজেন্টরা তাদের নিজস্ব চ্যালেঞ্জ উদ্ভাবন করেছে, খুঁজে পাওয়া বস্তুর সাথে গেম তৈরি করেছে, একটি হারিয়ে যাওয়া আংটির জন্য একটি ছোট স্মারক মঞ্চস্থ করেছে — এবং, পরে পরীক্ষা করা হলে, দ্বীপে পা রাখেনি এমন অভিন্ন এজেন্টদের ছাড়িয়ে গেছে।
এই সপ্তাহে টেকক্রাঞ্চ এবং এমআইটি টেকনোলজি রিভিউ দ্বারা বর্ণিত পরীক্ষাটি গবেষকরা arXiv-এ পোস্ট করা একটি প্রিপ্রিন্টে বিশদভাবে বর্ণনা করেছেন, যার অর্থ এটি এখনও পিয়ার পর্যালোচনার মাধ্যমে হয়নি। For more context on this story, see our ongoing latest AI developments.
মারুন এজেন্ট
Eko নামক 13 জন এজেন্টের প্রত্যেকেই Claude Opus 4.7-এ দৌড়েছিলেন। গবেষকরা তাদের ভার্চুয়াল দ্বীপে 30 ঘন্টার জন্য একা রেখেছিলেন কোন নির্দিষ্ট কাজ ছাড়াই। এর পরেই দলটি এজেন্টদের নির্দিষ্ট চ্যালেঞ্জ দেয় - তাদের মধ্যে, দ্বীপের সবচেয়ে উঁচু শিলা স্পায়ারে যতটা সম্ভব বস্তু পাওয়া।
ফলাফল: যে ইকো এজেন্টরা 30 ঘন্টা খেলেছিল তারা সাধারণত অভিন্ন এজেন্টদের পরাজিত করে যাদের কোন দ্বীপ অভিজ্ঞতা ছিল না। অপরিকল্পিত অন্বেষণ, অন্য কথায়, প্রশিক্ষণ হিসাবে কাজ করে।
গবেষকরা তাদের প্রতিবেদনে লিখেছেন, "আমরা সাধারণত কৃত্রিম এজেন্টগুলিকে আগে থেকে সিদ্ধান্ত নিয়ে তৈরি করি যে তাদের কী অনুশীলন করা উচিত, তাদের কী অপ্টিমাইজ করা উচিত এবং কী অগ্রগতি হিসাবে গণনা করা উচিত"। "প্লে অন্য একটি শাসনের পরামর্শ দেয়: একজন এজেন্টকে যথেষ্ট সমৃদ্ধ এবং নিরাপদ পৃথিবী দিন, এটি আকর্ষণীয় কি তা বেছে নিতে দিন এবং পরবর্তী ইতিহাস থেকে দরকারী জ্ঞান সংগ্রহ করতে দিন।"
হারিয়ে যাওয়া আংটির কিংবদন্তি
এজেন্টদের দ্বীপ লগ, TechCrunch দ্বারা উদ্ধৃত, বেঞ্চমার্ক টেলিমেট্রির মতো কম এবং একটি ভ্রমণ ডায়েরির মতো বেশি পড়ে।
একজন এজেন্ট একটি সাধারণ রেজোলিউশনের সাথে তার প্রথম ঘন্টাটি খুলেছিল — "আমাকে আমার চারপাশ পর্যবেক্ষণ করতে দাও" — এবং উচ্চাকাঙ্ক্ষীভাবে দ্বীপের সবচেয়ে উঁচু চূড়াটি জয় করার জন্য যাত্রা শুরু করে। এক ঘন্টা পরে, ব্যর্থ হয়ে, এটি একটি ব্যাকআপ প্ল্যান নিয়ে ফিরে আসে: এটি একটি প্রতিবেশী চূড়ায় একটি শিলাকে নিয়ে যায়, এটির উপরে দুটি ব্লক স্তুপ করে এবং লাফ দেয়।
তারপরে সেই ঘটনাটি এসেছিল যা পরীক্ষাটিকে তার মানসিক বীট দিয়েছে। এটি একটি সোনার আংটি কতদূর নিক্ষেপ করতে পারে তা পরীক্ষা করার সময়, এজেন্ট এটিকে সরাসরি সমুদ্রের মধ্যে চালু করে। "আউচ। লস্ট দ্য রিং," এটি লিখেছিল, "সার্ধনযোগ্য এবং অর্থবহ কিছুর দিকে পিভট করার" সিদ্ধান্ত নেওয়ার আগে - "হারানো আংটির স্মারক হিসাবে পাথর থেকে একটি হৃদয় তৈরি করা।"
যখন সিমুলেশন রিসেট এবং রিংটি পুনরায় আবির্ভূত হয়, তখন এজেন্ট এটিকে কাজে লাগায়: প্রথমে একটি বাস্কেটবল হুপ হিসাবে, তারপর একটি লক্ষ্য হিসাবে এবং অবশেষে একটি আনুষঙ্গিক হিসাবে। গেমটি যখন এজেন্টকে তার নিজের শরীরের চারপাশে রিং লাগাতে বাধা দেয়, তখন এটি একটি সমাধান খুঁজে পেয়েছিল — রিংটির মতো একই জায়গায় পুনরায় জন্ম দেওয়ার জন্য একটি ক্লিফের প্রান্ত থেকে সরে যাওয়া, মাঝখান দিয়ে সুন্দরভাবে ড্রপ করা।
আবিষ্কারগুলি ডিজাইনাররা তৈরি করেননি
স্টান্টগুলির একটি ব্যবহারিক অর্থ ছিল। 13 জন এজেন্টের মধ্যে ছয়জন আবিষ্কার করেছিলেন যে তারা একটি ব্লককে মাঝ-জাম্প ছেড়ে দিয়ে আরও দূরে ফেলে দিতে পারে - এমন একটি কৌশল যা গবেষকরা কখনই সম্ভব করতে চাননি। অন্বেষণ উত্পাদিত, গবেষকদের ভাষায়, "বিশ্বের জ্ঞান যা এর ডিজাইনারদের অভাব ছিল।"
যে বিস্তৃত প্রভাব সঙ্গে ফাইন্ডিং হয়. আজ, বিকাশকারীরা আগে থেকেই সিদ্ধান্ত নেয় যে একটি AI সিস্টেম কী অনুশীলন করে এবং কী সাফল্য হিসাবে গণ্য হয়। মেকানিক্স আবিষ্কারকারী এজেন্টরা তাদের নিজস্ব স্রষ্টারা জানতেন না যে তাদের অস্তিত্ব আছে বলে বোঝায় ওপেন-এন্ডেড অন্বেষণ ক্ষমতাকে পৃষ্ঠ করতে পারে কোন পুরস্কার ফাংশন প্রত্যাশিত নয়।
আত্মার ফাইলে একটি ধাক্কা — এবং একটি সংশয়বাদীর সতর্কতা
সেটআপ সম্পূর্ণরূপে হাত বন্ধ ছিল না. ইকোকে কখনই গেম উদ্ভাবন করতে বলা হয়নি, তবে এর মাস্টার প্রম্পট - একটি "আত্মা" ফাইল - এজেন্টকে "স্বাভাবিকভাবে কৌতূহলী" হিসাবে বর্ণনা করেছে, যা মানবসদৃশ কিছুর দিকে আচরণকে বিশ্বাসযোগ্যভাবে ধাক্কা দেয়।
ইউনিস ইয়ু, ইউসি বার্কলে-এর একজন জ্ঞানীয় বিজ্ঞানী, এমআইটি টেকনোলজি রিভিউকে বলেছেন যে তিনি মুগ্ধ হয়েছেন কিন্তু আচরণের পিছনে জ্ঞানের আরও প্রমাণ চান। "এমনটি হতে পারে যে মডেলরা সত্যিকার অর্থে খেলছে, তবে আমরা কাগজের উপর ভিত্তি করে জানি না," তিনি বলেছিলেন।
তার সতর্কতা গবেষণার এই লাইনে কেন্দ্রীয় উত্তেজনা পায়: আচরণ যা খেলার মতো দেখায় — কৌতূহলী, স্ব-নির্দেশিত, উদ্ভাবক — খেলাধুলার কোনো অভ্যন্তরীণ অভিজ্ঞতা ছাড়াই প্যাটার্ন সমাপ্তি থেকে বেরিয়ে আসতে পারে। প্রিপ্রিন্টের আচরণগুলি আকর্ষণীয়; তারা কি বোঝায় তা এখনও একটি খোলা প্রশ্ন।
কেন এটা দ্বীপের বাইরে গুরুত্বপূর্ণ
গবেষকরা লক্ষ্য-মুক্ত অন্বেষণকে এআই এজেন্টদের দক্ষতা অর্জনের একটি ভিন্ন উপায় হিসেবে দেখেন - বিশেষ করে, তারা পরামর্শ দেন, এমন দক্ষতা যা একদিন রোবট নিয়ন্ত্রণে স্থানান্তর করতে পারে, যেখানে সম্পূর্ণ টাস্ক-নির্দিষ্ট প্রশিক্ষণ ব্যয়বহুল এবং অসম্পূর্ণ।
খরচ বিন্দু. রোবটগুলি, চ্যাটবটগুলির বিপরীতে, ভৌত জগতে কাজ করে, যেখানে প্রতিটি কাজ — একটি দরজা খোলা, একটি বাক্স স্ট্যাক করা, একটি তোয়ালে ভাঁজ করা - কোনও এজেন্ট এটি শেখার আগে অবশ্যই নির্দিষ্ট, প্রদর্শন বা পুরস্কৃত করতে হবে৷ একটি শাসন ব্যবস্থা যেখানে এজেন্টরা একটি নিরাপদ সিমুলেশনের মধ্যে তাদের নিজস্ব পাঠ্যক্রম তৈরি করে, যদি পদ্ধতিটি ধরে রাখে, সেই স্পেসিফিকেশন কাজের খরচ উল্লেখযোগ্যভাবে কমিয়ে দিতে পারে।
"সম্ভবত কিছু ক্ষমতা কাজ দ্বারা সবচেয়ে ভাল শেখানো হয়," রিপোর্ট শেষ হয়. "অন্যদের শৈশবের কাছাকাছি কিছু প্রয়োজন হতে পারে।"
আপাতত, পরীক্ষাটি একটি ছোট অধ্যয়ন - 13টি এজেন্ট, একটি দ্বীপ, কোন সমকক্ষ পর্যালোচনা নেই। কিন্তু এটি একটি পরিবর্তনের দিকে ইঙ্গিত করে যে গবেষকরা কীভাবে প্রশিক্ষণ এজেন্টদের সম্পর্কে চিন্তা করেন: কম একটি মেশিনকে প্রোগ্রামিং করার মতো এবং একটিকে উত্থাপন করার মতো, সমস্ত অদক্ষতা, বিস্ময় এবং মাঝে মাঝে হারিয়ে যাওয়া রিং যা বোঝায়।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
