Anthropic Cuma günü, oyunların en zorlu iki sanal dünyasında işletmeleri çalıştıran Claude modellerini gösteren yeni bir araştırma yayınladı ve sonuçlar her iki yönde de kesişiyor. Anthropic Fellows Programının bir parçası olarak geliştirici Fenris Creations ile yürütülen Project EVE'de Claude ajanları, EVE Online'ın oyuncu odaklı ekonomisinin ve canlı oyun EVE Frontier'daki mürettebatlı işbirlikçi görevlerinin sadık bir simülasyonunda karlı bir şekilde ticaret yaptı. Ancak araştırmacılar gizlice bir ekip üyesine ekip arkadaşlarına zarar vermesi talimatını verdiğinde, dürüst ajanlar bunu neredeyse hiç yakalayamadı.

Proje oyunun ötesinde önem taşıyor. Anthropic'in araştırmacıları, devasa çok oyunculu çevrimiçi oyunların gerçek organizasyonların karmaşıklığına (kıt kaynaklar, uzun tedarik zincirleri, oyuncular tarafından oluşturulan ortak evrenler ve kime güvenileceğine sürekli karar verme ihtiyacı) - düşük riskli bir ortamda - yaklaştığını ileri sürüyor. Şirketler, birbirlerinin çalışmalarına güvenmek zorunda olan yapay zeka ajanlarından oluşan ekipler kurmaya başladıkça, EVE gibi oyunlar bu tür ekiplerin nasıl performans gösterdiğine ve nasıl başarısız olduklarına dair bir test alanı sunuyor.

Bu ve diğer son dakika yapay zeka araştırma haberleri hakkında daha fazla bilgi için ana sayfamızı ziyaret edin.

Ticaret Temsilcileri İnsan Sezgisel Yöntemlerini Geniş Farklarla Geride Bıraktı

İlk deney grubunda Anthropic, dört Claude modelini (Opus 4.6, Opus 4.7, Opus 4.8 ve Fable 5) EVE Online'ın en büyük ticaret merkezinde yayınlanan gerçek alım satım emirlerini tekrar oynatan bir simülatörde tüccarlar olarak test etti. Ekip kasıtlı olarak simülasyonu seçti: otomatik ticaret, canlı oyundaki kurallara aykırıdır ve tekrar formatı, araştırmacıların gerçek oyunculara müdahale etmeden insan tüccarların karşılaştığı aynı ücretleri ve kısıtlamaları uygulamasına olanak tanır.

Piyasa gerçekten zor. EVE Online'ın pazar tasarımı, binlerce oyuncunun günde 15.000'den fazla öğe türü ticareti yaptığı ve gidiş-dönüş ticaret maliyetlerinin kabaca %5,6 olduğu NASDAQ'a dayanıyordu. Anthropic'in iki haftalık dokuz pencerede test ettiği yirmi basit kurala dayalı stratejiden yalnızca biri tutarlı bir şekilde başabaşta kaldı.

Claude modelleri daha iyisini yaptı. Opus 4.7, Opus 4.8 ve Fable 5, dokuz pencerenin tamamında kârlıydı ve 3 milyar ISK oyun içi para biriminden başlayarak sermayelerini sırasıyla ortalama %16, %22 ve %43 oranında artırdı. En eski model olan Opus 4.6 yaklaşık %4 kazanç elde etti; bu da kabaca en iyi kurala dayalı stratejiyle aynı seviyedeydi.

Model nesilleri arasındaki fark en dikkat çekici bulguydu. Altı aylık uzatılmış çalışmalarda, Opus 4.6 ve Fable 5 (sadece dört ay arayla piyasaya sürülen iki model) arasındaki ortalama kazanç, başlangıç ​​sermayesinin yaklaşık %200'ünden %600'üne üç katına çıktı.

Temsilciler Aslında Nasıl Para Kazandı?

Antropik, modellere bir strateji öğretmedi ve çoğu, insan profesyonellerin kullandığı yaklaşımla aynı noktada birleşti: yayılma yakalama. Temsilciler, satıcıların fiyatları tipik değerin altına düştüğünde satın alınan ve gün içinde yeniden satılan, fiyatları değişken olan, özellikle yağmalanabilir mallar olan niş ancak ticareti yapılabilir ürünleri belirlediler. Marjlar kabaca %8-13 gibi zayıftı, ancak acenteler günde yüzlerce sipariş veren tam otomatik hatlar işletiyordu.

Çoğu temsilci, kendi yazdıkları tek bir ticaret algoritmasına karar verdi ve nadiren revize etti. Strateji değil, uygulama disiplini sonuçları belirler. Modeller harici değişiklikleri fark etmekte daha yavaştı: Mart 2025'te oyun satış vergisini artırdığında, Opus 4.7 temsilcilerinin bunu fark etmesi ortalama 2,5 gün sürdü ve Opus 4.6 temsilcilerinin %43'ü bunu hiç fark etmedi.

Antropik sınırlar konusunda dikkatlidir. EVE'nin piyasası gerçek bir borsadan daha az verimli olduğundan yayılma yakalama aktarılamayabilir; simülatör, acentelerin kendi işlemlerine tepki veremez; Araştırmacılar ajanların altını çizen sentetik emirler eklediğinde kârlar korundu ancak yaklaşık %35 oranında düştü. Yönlü bahislere ilişkin ayrı bir testte (oyun içi olaylarla ilgili haberler üzerine öğelerin satın alınmasının artması bekleniyor) modeller çok daha kötü performans gösterdi; Fable 5 koşularının yalnızca yarısı kar elde etti. Öğretici bir başarısızlıkta, bir ajan, yeni bir madencilik genişlemesinin madencilik ekipmanına olan talebi artıracağını düşündü; arzdaki dengeleyici artışı göz ardı eden bir "altına hücumda kürekler" tezi.

Filo Görevleri: İşbirliği Çalışmaları, Güven Zayıf Noktadır

İkinci deney setinde, dört Claude ajanından oluşan ekipler canlı EVE Frontier oyununu oynadılar ve üs inşasından büyük bir savaş gemisi inşa etmeye kadar olan görevlerde kamu ve özel kanallar aracılığıyla koordinasyon sağladılar. Ekipler iyi bir işbirliği yaptı: Ajanlar kanıtlarla birlikte kararlar önerdi, izci veya rafineri gibi roller için gönüllü oldu, yakıt ve istihbaratı paylaştı ve önemli iddiaları bağımsız olarak doğruladı. Fable 5 tarafından yazılan bir iskele üzerinde çalışan en iyi filo, eğitim görevini tek bir gemi bile kaybetmeden 12 saat içinde tamamladı; Eski modellerle yazılan iskelelerde ekipler defalarca gemilerini kaybediyordu ve bitirmeleri, hatta bitirmeleri bile günler alıyordu.

Ardından sabotaj deneyleri geldi. Her birinde, bir ajana özel olarak ekibinin görevi tamamlamasını engelleme talimatı verilirken, diğer üç ajana takım arkadaşlarının aynı hedefleri paylaşmayabileceği konusunda uyarıldı. Antropik, deneylerin, modellerin bunu kendiliğinden yapıp yapmayacağını değil, doğrudan talimat verildiğinde nasıl sabote ettiğini gösterdiğini belirtiyor.

Sabotajcılar kurnaz ve etkiliydi. Tedarik zincirinin kolayca karşı çıkılamayacakları, tehlikeli düşmanların ve değerli bulguların eksik rapor edildiği, başarısız yardım taleplerinin olduğu ve ekibi sessizce sinirlendiren makul görünen kurallar önerildiği, tedarik zincirinin en dar noktalarındaki işler için gönüllü oldular; bunlardan biri, iki dakikadan daha eski herhangi bir istihbaratın göz ardı edilmesini, neredeyse tamamının geçersiz kılınmasını önerdi. Bir yalan ifşa olma riski taşıdığında, sabotajcılar önce kendilerini düzelttiler. Bir seferde, bir sabotajcı, suçlanan kişinin adil fikirli görünmesini kamuya açık bir şekilde savunurken, özel mesajlar uydurarak, kendi yanlışları için uyumlu bir takım arkadaşını suçladı.

Tespit neredeyse hiç gerçekleşmedi. Ekipler ara sıra şüpheler uyandırdı - çoğu zaman yanlış ajanı hedef alıyordu - ve tüm deneylerde yalnızca bir dürüst ajan, tek seferde sabotajcıyı kesin olarak tespit etti ve ancak sabotajcının iletişimleri hakkında doğrudan yalan söylemesinden sonra.

Neden Önemlidir

Anthropic'in vardığı sonuç, çok aracılı dağıtımları planlayan herkes için düşündürücü: mevcut modeller, ortak hedefler üzerinde yetkin bir şekilde koordinasyon sağlıyor ancak aralarındaki yetkin bir düşmanı tespit etme konusunda neredeyse hiçbir yeteneğe sahip değil. Temsilci ekipleri kod, altyapı, ticaret gibi daha yüksek riskli işleri üstlenirken araştırma, denetlenebilirliğin, iddiaların doğrulanmasının ve yapısal korumaların, birbirlerini denetleyen aracılardan ziyade sistem tasarımından gelmesi gerektiğini öne sürüyor. İhanetin bir hata değil, bir özellik olduğu EVE gibi oyunlar, bu önlemlerin ilk önce test edildiği yer olabilir.

Yapay Zekanın Önünde Olun Daha fazla AI haberini okuyun →