เมื่อนักวิจัยของ MIT ติดเจ้าหน้าที่ AI 13 คนบนเกาะร้างจำลองโดยไม่มีอะไรทำ เจ้าหน้าที่ก็ทำสิ่งที่ไม่คาดคิด: พวกเขาเริ่มเล่น เจ้าหน้าที่คิดค้นความท้าทายของตนเอง เกมด้นสดโดยใช้สิ่งของที่พบ จัดฉากอนุสรณ์เล็กๆ สำหรับแหวนที่หายไป และเมื่อผ่านการทดสอบหลังจากนั้น ก็ทำได้ดีกว่าเจ้าหน้าที่แบบเดียวกันที่ไม่เคยเหยียบย่ำเกาะนี้มาก่อน

การทดลองซึ่งอธิบายโดย TechCrunch และ MIT Technology Review ในสัปดาห์นี้ มีรายละเอียดอยู่ในงานพิมพ์ล่วงหน้าที่นักวิจัยโพสต์บน arXiv ซึ่งหมายความว่ายังไม่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ For more context on this story, see our ongoing latest AI developments.

ตัวแทนที่ถูกทิ้งร้าง

เจ้าหน้าที่ทั้ง 13 คนที่เรียกว่า Eko ใช้งาน Claude Opus 4.7 นักวิจัยทิ้งพวกเขาไว้ตามลำพังบนเกาะเสมือนจริงเป็นเวลา 30 ชั่วโมงโดยไม่ได้รับมอบหมายงาน หลังจากนั้นทีมงานก็ให้ความท้าทายเฉพาะแก่เจ้าหน้าที่ โดยในจำนวนนั้นให้พวกเขานำสิ่งของต่างๆ มากที่สุดเท่าที่จะเป็นไปได้ขึ้นไปบนยอดแหลมหินที่สูงที่สุดของเกาะ

ผลลัพธ์: โดยทั่วไปแล้วตัวแทน Eko ที่ใช้เวลาเล่น 30 ชั่วโมงจะเอาชนะตัวแทนที่เหมือนกันซึ่งไม่เคยมีประสบการณ์บนเกาะเลย การสำรวจที่ไม่มีโครงสร้างหรืออีกนัยหนึ่ง ทำหน้าที่เป็นการฝึกอบรม

“ปกติแล้วเราจะพัฒนาสารเทียมโดยการตัดสินใจล่วงหน้าว่าพวกเขาควรฝึกฝนอะไร อะไรควรเพิ่มประสิทธิภาพ และสิ่งใดนับเป็นความก้าวหน้า” นักวิจัยเขียนไว้ในรายงานของพวกเขา "การเล่นเสนอแนะระบอบการปกครองอื่น: ให้ตัวแทนมีโลกที่อุดมสมบูรณ์และปลอดภัยเพียงพอ ปล่อยให้ตัวแทนเลือกสิ่งที่น่าสนใจ และปล่อยให้ความรู้ที่เป็นประโยชน์สะสมจากประวัติศาสตร์ที่ตามมา"

ตำนานแหวนที่หายไป

บันทึกเกาะของตัวแทนที่อ้างโดย TechCrunch อ่านน้อยลงเหมือนการวัดและส่งข้อมูลทางไกลมาตรฐาน และเหมือนบันทึกการเดินทางมากกว่า

เจ้าหน้าที่คนหนึ่งเปิดชั่วโมงแรกด้วยปณิธานง่ายๆ - "ให้ฉันสังเกตสภาพแวดล้อมของฉันหน่อย" - และออกเดินทางอย่างทะเยอทะยานเพื่อพิชิตยอดแหลมที่สูงที่สุดของเกาะ หนึ่งชั่วโมงต่อมา เมื่อล้มเหลว มันก็กลับมาพร้อมกับแผนสำรอง โดยลากก้อนหินขึ้นไปบนยอดเขาใกล้เคียง ซ้อนกันสองช่วงตึกบนยอดแล้วกระโดด

จากนั้นเหตุการณ์ก็มาถึงซึ่งทำให้การทดลองมีจังหวะทางอารมณ์ ในขณะที่ทดสอบว่ามันสามารถขว้างแหวนทองคำได้ไกลแค่ไหน เจ้าหน้าที่ก็ปล่อยมันลงสู่มหาสมุทรโดยตรง “อุ๊ย สูญเสียแหวน” ก่อนที่จะตัดสินใจ “หันไปหาสิ่งที่สามารถทำได้และมีความหมาย” – สร้างหัวใจจากหินเพื่อเป็น “อนุสรณ์สถานของแหวนที่สูญหาย”

เมื่อการจำลองรีเซ็ตและวงแหวนปรากฏขึ้นอีกครั้ง เจ้าหน้าที่ก็ใช้งานมัน ขั้นแรกเป็นห่วงบาสเก็ตบอล จากนั้นเป็นเป้าหมาย และสุดท้ายเป็นอุปกรณ์เสริม เมื่อเกมบล็อกเอเจนต์ไม่ให้สวมวงแหวนรอบตัวมันเอง มันก็พบวิธีแก้ไขคือการก้าวลงจากหน้าผาเพื่อเกิดใหม่ในจุดเดียวกับวงแหวน โดยตกลงมาตรงกลางอย่างเรียบร้อย

การค้นพบที่นักออกแบบไม่ได้สร้างขึ้น

การแสดงโลดโผนให้ผลตอบแทนที่คุ้มค่า เจ้าหน้าที่หกคนจาก 13 คนพบว่าพวกเขาสามารถขว้างบล็อกได้ไกลขึ้นโดยปล่อยมันออกไปกลางคัน ซึ่งเป็นเทคนิคที่นักวิจัยไม่เคยตั้งใจจะทำให้เป็นไปได้ การสำรวจดังกล่าวเกิดขึ้นตามคำพูดของนักวิจัย "ความรู้เกี่ยวกับโลกที่นักออกแบบขาด"

นั่นคือการค้นพบที่มีนัยยะกว้างที่สุด ปัจจุบัน นักพัฒนาตัดสินใจล่วงหน้าว่าระบบ AI ปฏิบัติอย่างไร และสิ่งใดถือเป็นความสำเร็จ ตัวแทนที่ค้นพบกลไกที่ผู้สร้างของตนเองไม่รู้ว่ามีอยู่จริง แนะนำว่าการสำรวจแบบปลายเปิดสามารถแสดงความสามารถที่ไม่คาดว่าจะมีฟังก์ชันการให้รางวัลได้

สะกิดในแฟ้มวิญญาณ — และคำเตือนของผู้ขี้ระแวง

การตั้งค่าไม่ได้ปิดลงเลย Eko ไม่เคยถูกบอกให้ประดิษฐ์เกม แต่พรอมต์หลักของมัน — ไฟล์ "วิญญาณ" — อธิบายว่าเอเจนต์นั้น "อยากรู้อยากเห็นโดยธรรมชาติ" ซึ่งเป็นกรอบที่กระตุ้นให้เกิดพฤติกรรมไปสู่สิ่งที่เหมือนมนุษย์

Eunice Yiu นักวิทยาศาสตร์ด้านความรู้ความเข้าใจที่ UC Berkeley บอกกับ MIT Technology Review ว่าเธอรู้สึกประทับใจ แต่ต้องการหลักฐานเพิ่มเติมเกี่ยวกับการรับรู้เบื้องหลังพฤติกรรมดังกล่าว “อาจเป็นกรณีที่นางแบบเล่นกันจริงๆ แต่เราไม่รู้จากรายงาน” เธอกล่าว

ข้อแม้ของเธอกลายเป็นประเด็นหลักในการวิจัยสายนี้: พฤติกรรมที่ดูเหมือนการเล่น — อยากรู้อยากเห็น กำกับตนเอง และสร้างสรรค์ — สามารถเกิดขึ้นได้จากการทำแพทเทิร์นให้สมบูรณ์โดยปราศจากประสบการณ์จากความสนุกสนานภายใน พฤติกรรมของการพิมพ์ล่วงหน้านั้นน่าทึ่ง สิ่งที่พวกเขามีความหมายยังคงเป็นคำถามเปิด

ทำไมมันถึงสำคัญนอกเหนือจากเกาะ

นักวิจัยมองว่าการสำรวจแบบไร้เป้าหมายเป็นอีกวิธีหนึ่งสำหรับเจ้าหน้าที่ AI ที่จะได้รับทักษะ โดยเฉพาะอย่างยิ่ง พวกเขาแนะนำว่าทักษะที่สามารถถ่ายโอนไปยังหุ่นยนต์ควบคุมได้สักวันหนึ่ง ซึ่งการฝึกอบรมเฉพาะงานอย่างละเอียดถี่ถ้วนมีราคาแพงและไม่สมบูรณ์

ค่าใช้จ่ายคือประเด็น หุ่นยนต์ต่างจากแชทบอทตรงที่ดำเนินการในโลกทางกายภาพ ซึ่งทุกงาน เช่น การเปิดประตู ซ้อนกล่อง พับผ้าเช็ดตัว จะต้องระบุ สาธิต หรือให้รางวัลก่อนที่ตัวแทนจะเรียนรู้ ระบอบการปกครองที่ตัวแทนสร้างหลักสูตรของตนเองในการจำลองที่ปลอดภัย หากแนวทางดังกล่าวยังคงอยู่ สามารถลดต้นทุนของงานข้อกำหนดเฉพาะนั้นได้อย่างมาก

“บางทีความสามารถบางอย่างอาจได้รับการสอนได้ดีที่สุดจากงาน” รายงานสรุป “คนอื่นอาจต้องการบางสิ่งที่ใกล้ชิดกับวัยเด็กมากขึ้น”

สำหรับตอนนี้ การทดลองเป็นเพียงการศึกษาเล็กๆ — มีเจ้าหน้าที่ 13 คน หนึ่งเกาะ ไม่มีการทบทวนโดยผู้ทรงคุณวุฒิ แต่มันแสดงถึงการเปลี่ยนแปลงวิธีที่นักวิจัยคิดเกี่ยวกับการฝึกอบรมตัวแทน: ไม่เหมือนการเขียนโปรแกรมเครื่องจักรและเหมือนการเลี้ยงเครื่องมากขึ้น โดยที่ความไร้ประสิทธิภาพ ความประหลาดใจ และวงแหวนที่หายไปเป็นครั้งคราวซึ่งหมายถึง

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →