जेव्हा एमआयटी संशोधकांनी 13 एआय एजंट्सना सिम्युलेटेड वाळवंट बेटावर काहीही न करता अडकवले, तेव्हा एजंटांनी काहीतरी अनपेक्षित केले: ते खेळू लागले. एजंटांनी त्यांच्या स्वतःच्या आव्हानांचा शोध लावला, सापडलेल्या वस्तूंसह सुधारित खेळ केले, हरवलेल्या अंगठीसाठी एक छोटेसे स्मारक तयार केले — आणि, नंतर चाचणी केली असता, बेटावर कधीही पाऊल न ठेवलेल्या समान एजंट्सना मागे टाकले.
या आठवड्यात TechCrunch आणि MIT टेक्नॉलॉजी रिव्ह्यूने वर्णन केलेला प्रयोग, संशोधकांनी arXiv वर पोस्ट केलेल्या प्रीप्रिंटमध्ये तपशीलवार आहे, म्हणजे तो अद्याप समवयस्क पुनरावलोकनाद्वारे झालेला नाही. For more context on this story, see our ongoing breaking AI news.
बदमाश एजंट
इको नावाच्या 13 एजंटपैकी प्रत्येक क्लॉड ओपस 4.7 वर धावला. संशोधकांनी त्यांना कोणतेही काम न करता 30 तास आभासी बेटावर एकटे सोडले. त्यानंतरच संघाने एजंटांना विशिष्ट आव्हाने दिली - त्यापैकी, बेटाच्या सर्वात उंच खडकावर शक्य तितक्या वस्तू मिळवणे.
परिणाम: 30 तास खेळण्यात घालवलेले इको एजंट सामान्यत: बेटाचा अनुभव नसलेल्या समान एजंटांना हरवतात. असंरचित अन्वेषण, दुसऱ्या शब्दांत, प्रशिक्षण म्हणून कार्य करते.
"आम्ही सामान्यतः कृत्रिम एजंट्स विकसित करतो त्यांनी काय सराव करावा, त्यांनी काय ऑप्टिमाइझ केले पाहिजे आणि काय प्रगती म्हणून गणले जाते," असे संशोधकांनी त्यांच्या अहवालात लिहिले आहे. "प्ले आणखी एक नियम सुचवते: एजंटला पुरेसे समृद्ध आणि सुरक्षित जग द्या, त्याला काय मनोरंजक आहे ते निवडू द्या आणि त्यानंतरच्या इतिहासातून उपयुक्त ज्ञान जमा होऊ द्या."
हरवलेल्या अंगठीची दंतकथा
TechCrunch द्वारे उद्धृत केलेले एजंटचे बेट लॉग, बेंचमार्क टेलिमेट्रीसारखे कमी आणि ट्रॅव्हल डायरीसारखे अधिक वाचतात.
एका एजंटने त्याचा पहिला तास साध्या संकल्पाने उघडला — "मला माझ्या सभोवतालचे निरीक्षण करू द्या" — आणि महत्त्वाकांक्षीपणे बेटाच्या सर्वात उंच शिखरावर विजय मिळवण्यासाठी निघाले. एक तासानंतर, अयशस्वी झाल्यानंतर, तो बॅकअप योजनेसह परत आला: त्याने शेजारच्या शिखरावर एक खडक आणला, त्याच्या वर दोन ब्लॉक्स रचले आणि उडी मारली.
त्यानंतर प्रयोगाला भावनिक हार देणारी घटना घडली. सोन्याची अंगठी किती दूर फेकता येईल याची चाचपणी करत असताना, एजंटने ती थेट समुद्रात सोडली. "अरेच. हरवलेली अंगठी," "हरवलेल्या अंगठीचे स्मारक" म्हणून - "काहीतरी साध्य करण्यायोग्य आणि अर्थपूर्ण गोष्टीकडे वळवण्याचा" निर्णय घेण्यापूर्वी लिहिले.
जेव्हा सिम्युलेशन रीसेट आणि रिंग पुन्हा दिसली, तेव्हा एजंटने ते कार्य करण्यासाठी ठेवले: प्रथम बास्केटबॉल हूप म्हणून, नंतर लक्ष्य म्हणून आणि शेवटी ऍक्सेसरी म्हणून. जेव्हा गेमने एजंटला स्वतःच्या शरीराभोवती अंगठी घालण्यापासून अवरोधित केले, तेव्हा त्याला एक उपाय सापडला — रिंग सारख्याच ठिकाणी पुनरुत्थान करण्यासाठी उंच कडा उतरणे, मध्यभागी सुबकपणे खाली येणे.
असे शोध जे डिझायनर्सनी तयार केले नाहीत
स्टंटला व्यावहारिक लाभ मिळाला. 13 पैकी सहा एजंटांनी शोधून काढले की ते मध्य-उडी सोडून ब्लॉक दूर फेकून देऊ शकतात - एक तंत्र जे संशोधकांनी कधीही शक्य करण्याचा हेतू नव्हता. या संशोधनामुळे, संशोधकांच्या शब्दात, "जगाचे ज्ञान जे त्याच्या डिझाइनरकडे नाही."
व्यापक परिणामांसह हाच निष्कर्ष आहे. आज, विकासक आधीच ठरवतात की एआय प्रणाली काय सराव करते आणि काय यश मानले जाते. मेकॅनिक्स शोधणारे एजंट त्यांच्या स्वत:च्या निर्मात्यांना अस्तित्वात नव्हते हे सूचित करते की ओपन-एंडेड एक्सप्लोअर क्षमतांना पृष्ठभाग देऊ शकते, कोणत्याही रिवॉर्ड फंक्शनची अपेक्षा नाही.
सोल फाइल मध्ये एक धक्का — आणि एक संशयवादी सावधगिरी
सेटअप पूर्णपणे हात-बंद नव्हता. इकोला गेमचा शोध घेण्यास कधीही सांगितले गेले नाही, परंतु त्याचे मास्टर प्रॉम्प्ट — एक "आत्मा" फाइल — एजंटचे वर्णन "नैसर्गिकरित्या उत्सुक" असे केले जाते, ज्याने मानवसदृश गोष्टींकडे वर्तणुकीला वाजवीपणे धक्का दिला.
यूसी बर्कले येथील संज्ञानात्मक शास्त्रज्ञ युनिस यिउ यांनी एमआयटी टेक्नॉलॉजी रिव्ह्यूला सांगितले की ती प्रभावित झाली आहे परंतु वर्तनामागील अनुभूतीचा अधिक पुरावा हवा आहे. "असे असू शकते की मॉडेल खरोखर खेळत आहेत, परंतु आम्हाला कागदावर आधारित माहित नाही," ती म्हणाली.
संशोधनाच्या या ओळीत तिची चेतावणी मध्यवर्ती तणावावर येते: खेळासारखे दिसणारे वर्तन — जिज्ञासू, स्व-दिग्दर्शित, कल्पक — खेळकरपणाच्या कोणत्याही आंतरिक अनुभवाशिवाय नमुना पूर्णत्वातून बाहेर येऊ शकते. प्रीप्रिंटचे आचरण धक्कादायक आहेत; ते काय सूचित करतात हा एक खुला प्रश्न आहे.
बेटाच्या पलीकडे का महत्त्वाचं
संशोधक एआय एजंट्सना कौशल्ये प्राप्त करण्याचा एक वेगळा मार्ग म्हणून लक्ष्य-मुक्त अन्वेषण पाहतात - विशेषत:, ते सुचवितात की, एक दिवस रोबोट नियंत्रित करण्यासाठी हस्तांतरित करू शकणारी कौशल्ये, जिथे संपूर्ण कार्य-विशिष्ट प्रशिक्षण महाग आणि अपूर्ण आहे.
खर्च हा मुद्दा आहे. रोबोट्स, चॅटबॉट्सच्या विपरीत, भौतिक जगात कार्य करतात, जिथे प्रत्येक कार्य — दार उघडणे, बॉक्स स्टॅक करणे, टॉवेल दुमडणे — निर्दिष्ट करणे, प्रात्यक्षिक करणे किंवा एजंट शिकण्यापूर्वी पुरस्कृत करणे आवश्यक आहे. एक अशी व्यवस्था ज्यामध्ये एजंट सुरक्षित सिम्युलेशनमध्ये स्वतःचा अभ्यासक्रम तयार करतात, जर दृष्टीकोन टिकून राहिल्यास, त्या स्पेसिफिकेशनच्या कामाची किंमत लक्षणीयरीत्या कमी करू शकते.
"कदाचित काही क्षमता कार्यांद्वारे सर्वोत्तम शिकवल्या जातात," अहवालात निष्कर्ष काढला. "इतरांना बालपणाच्या जवळ काहीतरी हवे असेल."
आत्तासाठी, प्रयोग हा एक छोटासा अभ्यास आहे - 13 एजंट, एक बेट, कोणतेही समवयस्क पुनरावलोकन नाही. परंतु हे संशोधक प्रशिक्षण एजंट्सबद्दल कसे विचार करतात या बदलाकडे जेश्चर करते: कमी प्रोग्रामिंग मशीन आणि अधिक वाढवण्यासारखे, सर्व अकार्यक्षमता, आश्चर्य आणि अधूनमधून हरवलेल्या रिंग्ससह.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
