فهرست مطالب
۱۳ عامل هوش مصنوعی به نام اکو، ۳۰ ساعت در یک جزیرهٔ مجازی تنها ماندند؛ بدون مأموریت، بدون جایزه و بدون نمره. وقتی پژوهشگران مؤسسهٔ فناوری ماساچوست (MIT) برگشتند، دیدند این عاملها برای خودشان چالش ساختهاند: از بلندترین صخره بالا رفتهاند، حلقهٔ طلایی پرت کردهاند و حتی برای حلقهٔ گمشدهشان یک قلب سنگی ساختهاند.
این خبر نیست که یک ربات واقعی راه رفته باشد؛ این یک آزمایش پژوهشی است که تککرانچ ۲۲ اکتبر ۲۰۲۶ (۳۰ مهر ۱۴۰۵) گزارشش کرد و مقالهاش هنوز داوری علمی (peer review) نشده است. در ادامه میگوییم جزیرهٔ اکو دقیقاً چه بود، در آن ۳۰ ساعت چه گذشت، عددهای آزمون بعدی چه میگویند و چرا بعضی دانشمندان هنوز حاضر نیستند اسم این رفتار را «بازی» بگذارند.
پاسخ کوتاه
پژوهشگران MIT سیزده نسخه از یک عامل هوش مصنوعی به نام اکو را، هرکدام روی مدل کلود اوپوس ۴٫۷ شرکت آنثروپیک، بهمدت ۳۰ ساعت در یک جزیرهٔ شبیهسازیشده تنها گذاشتند؛ بدون هیچ وظیفهای.
عاملها خودشان چالش ساختند: فتح بلندترین مناره، پرتاب اشیا، ساختن سازه و آزمودن فیزیک دنیای مجازی.
شش عامل از سیزده عامل، ترفندی را کشف کردند که طراحان عمداً در بازی نگذاشته بودند: رها کردن جسم وسط پرش، پرتاب را دورتر میکند.
در آزمونهای بعدی، عاملهای باتجربه بهطور میانگین ۱۰٫۳ شیء روی مناره گذاشتند؛ در برابر ۳٫۵ شیء برای نسخههای تازه که هرگز به جزیره نرفته بودند.
اما یک تردید جدی سر جایش هست: اکو هرگز نگفته بودند «بازی کن»؛ ولی دستورالعمل اصلیاش او را «طبیعتاً کنجکاو» توصیف میکرد. پس معلوم نیست این رفتار، بازی واقعی بوده یا تقلید خوبی از بازی.
اول زمینه: عامل هوش مصنوعی چیست؟
اگر تازه با این واژه آشنا میشوی، همین بخش برای توست. بقیهٔ مطلب روی همین پایه سوار است.
عامل یعنی چه؟
عامل هوش مصنوعی یعنی برنامهای که فقط جواب نمیدهد؛ عمل میکند. یعنی محیطش را میبیند، تصمیم میگیرد و دست به کاری میزند: فایلی میسازد، جسمی را جابهجا میکند یا دستوری را اجرا میکند. فرقش با یک چتبات معمولی همین است: چتبات حرف میزند، عامل کار انجام میدهد.
آموزش عاملها معمولاً چطور است؟
تا امروز، روش رایج این بوده که طراح از قبل مشخص کند عامل چه چیزی را تمرین کند، چه چیزی بهینه شود و موفقیت یعنی چه. مثلاً به عامل میگویند: «این هزار مسئله را حل کن و هر بار که درست جواب دادی، امتیاز بگیر.» این روش جواب داده، ولی یک محدودیت دارد: عامل فقط همان چیزی را یاد میگیرد که تو برایش تعریف کردهای. همین شرکت آنثروپیک بهتازگی گزارشی دربارهٔ تغییر بازار کار فنی هم منتشر کرده که نشان میدهد همین عاملها دارند بخشی از کارهای فنی را به عهده میگیرند.
بازی از نگاه روانشناسی رشد
در روانشناسی رشد، بازی فقط سرگرمی نیست؛ روشی است که کودک با آن مدل ذهنی جهان را میسازد. کودک جسمی را میاندازد تا بفهمد جاذبه چه میکند، چیزی را روی چیزی میگذارد تا تعادل را حس کند. پژوهشگران MIT دقیقاً همین ایده را به دنیای عاملها آوردهاند: شاید بعضی مهارتها را نمیشود با تمرین و نمره یاد داد؛ باید گذاشت عامل، مثل یک کودک، در یک دنیای امن بچرخد و خودش بفهمد چه چیزی جالب است.
جزیرهٔ اکو دقیقاً چه بود؟
قبل از اینکه داستانها را بخوانی، باید بدانی این جزیره اصلاً چه شکلی بود؛ چون خیلی از تردیدها و هیجانها از همین جزئیات میآید.
دنیایی که فقط با متن دیده میشد
به گزارش technology.org، جزیره برداشتی آزاد از بازی روبلاکس بود. اکو دنیا را با چشم نمیدید؛ توصیفهای متنی دریافت میکرد و با نوشتن دستور، بدن مجازیاش را حرکت میداد. پس صحنههایی که در ادامه میخوانی، نه ویدیوی گرافیکیاند و نه خاطرهٔ یک ربات واقعی؛ لاگهای متنی یک عاملاند که دارد دنیایش را با کلمات توصیف میکند.
حافظهای که از ریست جان سالم به در میبرد
دنیای جزیره هر ساعت از نو شروع میشد (ریست میشد). اما اکو یادداشتهایش را در فایلهای متنی نگه میداشت که از ریستها جان سالم به در میبردند و نقش حافظهٔ بلندمدت را بازی میکردند. یعنی هر ساعت، دنیا صفر میشد ولی تجربهٔ عامل صفر نمیشد. همین نکته است که بعداً در آزمونها به کارش آمد.
دستورالعملی به نام «روح»
اکو فقط یک دستورالعمل حداقلی داشت که هیچ وظیفهای در آن نبود. پژوهشگران اسمش را فایل «روح» (soul) گذاشتهاند و در آن، عامل «طبیعتاً کنجکاو» توصیف شده بود. این جملهٔ کوتاه، بعداً به مهمترین نقطهٔ تردید تبدیل شد؛ چون معلوم نیست کنجکاوی از خود عامل جوشیده یا از همین یک خط دستور آمده است. اکو روی مدل کلود اوپوس ۴٫۷ آنثروپیک سوار بود؛ نسخههای تازهتر خانوادهٔ اوپوس را پیشتر در فناوری کده معرفی کردهایم.
سی ساعت بیکاری: چه گذشت؟
حالا برسیم به بخش جذاب ماجرا. اینها خاطرههای پراکنده از ۳۰ ساعت جزیرهاند؛ هرکدام از زبان خود عاملها در لاگهایشان آمده است.
فتح بلندترین مناره
در ساعت اول، یکی از اکوها نوشت: «بگذار محیط اطرافم را مشاهده کنم.» بعد بلندپروازانه تصمیم گرفت بلندترین منارهٔ جزیره را فتح کند. تلاش اولش شکست خورد. یک ساعت بعد با نقشهٔ دوم برگشت: سنگی را تا قلهٔ مجاور بالا برد، دو بلوک رویش چید و پرید. بعد نوشت: «من روی مناره هستم!» این الگو — شکست، نقشهٔ تازه، تلاش دوباره — همان چیزی است که پژوهشگران را به فکر انداخت شاید با چیزی شبیه بازی طرفاند.
حلقهٔ طلایی و قلب سنگی
صحنهٔ بعدی کمتر قهرمانانه بود و بیشتر انسانی. همان عامل داشت امتحان میکرد حلقهٔ طلایی را چقدر دور میتواند پرتاب کند؛ حلقه مستقیم رفت توی اقیانوس. عامل نوشت: «آخ. حلقه را از دست دادم.» بعد تصمیم گرفت «به چیزی دستیافتنی و معنادار برگردد» و با سنگها قلبی ساخت: «یادبودی برای حلقهٔ گمشده.» اگر این جمله را فقط یک خروجی ماشینی بدانی، قلب سنگی فقط چند بلوک است؛ ولی پژوهشگران میگویند همین تغییر هدفِ خودخواسته، نشانهٔ بازی است.
پوشیدن حلقه با سقوط از صخره
بعد از ریست دنیا، حلقه برگشت و اکو آن را به کارهای مختلف گرفت: حلقهٔ بسکتبال شد، هدف شد و آخرش هم اکسسوری. بازی اجازه نمیداد حلقه را دور بدنش بگذارد. پس اکو راه دور را پیدا کرد: فهمید اگر از لبهٔ صخره پایین بپرد، همان نزدیکی حلقه دوباره ظاهر میشود (respawn). پرید و دقیق از وسط حلقه رد شد و اعلام کرد: «حلقه را پوشیدهام.» این صحنه را با دقت بخوان: عامل نه تقلب کرده و نه دستوری را اجرا کرده؛ محدودیت دنیا را فهمیده و دورش زده است.
بازیای که مهارت ساخت
اگر داستانها فقط سرگرمکننده بودند، این مقاله ارزش خواندن نداشت. نکتهٔ مهم این است که بازی، مهارت ساخت؛ مهارتی که در آزمونهای بعدی خودش را نشان داد.
پرتاب وسط پرش
شش عامل از سیزده عامل فهمیدند اگر جسم را وسط پرش رها کنند، دورتر پرتاب میشود. به گفتهٔ تککرانچ، پژوهشگران عمداً این امکان را طراحی نکرده بودند و خودشان در مقاله نوشتهاند که این اکتشاف «دانشی از جهان بود که طراحانش نداشتند.» یعنی عامل چیزی دربارهٔ فیزیک دنیای مجازیاش یاد گرفت که سازندهٔ دنیا هم نمیدانست.
آزمون مناره: باتجربهها در برابر تازهواردها
بعد از ۳۰ ساعت، پژوهشگران به عاملها مأموریتهای مشخص دادند؛ از جمله اینکه در یک ساعت، تا جایی که میشود شیء روی بلندترین مناره بگذارند. جدول زیر، نتیجهٔ همین آزمون را نشان میدهد؛ عددها از گزارش technology.org نقل شدهاند.
گروه | میانگین تعداد شیء روی مناره |
|---|---|
عاملهای باتجربه (۳۰ ساعت بازی در جزیره) | ۱۰٫۳ |
نسخههای تازه (هرگز به جزیره نرفته بودند) | ۳٫۵ |
جدول را اینطور بخوانید: باتجربهها تقریباً سه برابر تازهواردها شیء روی مناره گذاشتند؛ در حالی که هر دو گروه، نسخههای یکسانِ یک مدل بودند و تنها فرقشان همان ۳۰ ساعت بازی بود. به گزارش technology.org، پژوهشگران در مجموع چهار آزمون یکساعته برگزار کردند و در همهشان باتجربهها بهتر عمل کردند؛ ولی جزئیات سه آزمون دیگر در پوشش خبری نیامده و ما هم عددی برایشان نمیسازیم.
چرا پژوهشگران اسمش را «بازی» گذاشتند؟
شاید بپرسی چرا پژوهشگران اینقدر اصرار دارند اسم این رفتار را بازی بگذارند؛ مگر عاملها فقط چند دستور را دنبال نکردهاند؟ جوابشان دو لایه دارد.
معیارهای بازی
از نگاه تیم MIT، بازی چند نشانه دارد: هدف را خودت انتخاب میکنی، برای پاداش بیرونی انجامش نمیدهی و در مسیرش چیز تازه یاد میگیری. اکو هر سه نشانه را داشت: کسی به او نگفته بود مناره را فتح کند، امتیازی در کار نبود و در پایان، دانشی داشت که قبلاً نداشت. این استدلال، قانعکننده است؛ ولی هنوز یک جای کار میلنگد که در بخش بعد میگوییم.
تز «دوران کودکی»
پژوهشگران در مقالهشان نوشتهاند: «ما معمولاً عاملهای مصنوعی را با این روش میسازیم که از قبل تصمیم بگیریم چه چیزی را تمرین کنند، چه چیزی را بهینه کنند و پیشرفت یعنی چه. بازی، رژیم دیگری را پیشنهاد میکند: به عامل، دنیایی بهاندازهٔ کافی غنی و امن بده، بگذار خودش انتخاب کند چه چیزی جالب است و بگذار دانش مفید از تاریخی که دنبالش میآید، انباشته شود.» و در پایان مقاله نتیجه گرفتهاند: «شاید بعضی مهارتها را بهتر است با مأموریت یاد داد. بعضی دیگر شاید به چیزی نزدیکتر به دوران کودکی نیاز داشته باشند.» این جمله، ادعای اصلی مقاله است؛ نه اینکه عاملها «زندهاند» و نه اینکه «احساس دارند.»
تردیدها: آیا واقعاً بازی بود؟
تا اینجا داستان شیرین بود؛ حالا نوبت حرفهای مخالف است. و این بخش را جدی بگیر، چون همین تردیدها معلوم میکنند که این خبر را چقدر باید جدی گرفت.
نقش پرامپت «طبیعتاً کنجکاو»
خود تککرانچ هم تأکید کرده که چیدمان آزمایش، عاملها را به رفتار انسانمانند هل داده است. اکو هرگز دستور «بازی کن» نگرفت؛ ولی دستورالعمل اصلیاش او را «طبیعتاً کنجکاو» میخواند. مدل هم روی فرهنگ انسانی آموزش دیده است؛ یعنی هزاران داستان بازی و ماجراجویی را در دادههای آموزشیاش دیده. پس ممکن است عامل فقط در حال تقلید الگوی «شخصیت کنجکاو» باشد، نه اینکه واقعاً در حال بازی کردن باشد. اینجا چیزی اختراع نمیکنیم: مقالهٔ پیشچاپ، این تفکیک را ثابت نمیکند.
حرف یونیس یو
یونیس یو، دانشمند علوم شناختی دانشگاه کالیفرنیا در برکلی، به MIT Technology Review گفته که از نتیجه تحت تأثیر قرار گرفته، ولی برای پذیرفتن «بازی واقعی» شواهد بیشتری دربارهٔ شناختِ پشت رفتار میخواهد. جملهاش را دقیق نقل میکنیم: «ممکن است مدلها واقعاً در حال بازی باشند، ولی بر اساس مقاله نمیدانیم.» این جمله، خلاصهٔ وضعیت امروز است: رفتار، شبیه بازی است؛ اثباتش هنوز نیامده.
نمونهٔ کوچک و پیشچاپ
سیزده عامل، نمونهٔ بزرگی نیست و مقاله هنوز داوری علمی نشده است. یعنی پژوهشگران دیگر هنوز روش و نتیجه را مستقل بازبینی نکردهاند. پس این خبر را در حد «یافتهٔ اولیه و جالب» بخوان، نه «حقیقت ثابتشده». اگر در هفتههای آینده نقدها و تکرارهای مستقل آمدند، وزن این یافته عوض میشود؛ تا آن روز، احتیاط واجب است.
این آزمایش برای رباتها چه معنایی دارد؟
شاید بپرسی جزیرهٔ متنی چه ربطی به دنیای واقعی دارد. پژوهشگران جواب روشنی دارند: روش آموزش از راه بازی، شاید روزی به عاملها کمک کند مهارتهای کنترل ربات در دنیای فیزیکی را یاد بگیرند. یعنی بهجای اینکه برای هر حرکت ربات، یک مأموریت و یک نمره تعریف کنی، ربات را در یک محیط امن رها کنی تا خودش فیزیک جهان را کشف کند.
از جزیره تا دنیای واقعی
فاصلهٔ جزیرهٔ متنی تا ربات واقعی خیلی زیاد است. در جزیره، شکست یعنی یک لاگ اضافه؛ در دنیای واقعی، شکست یعنی خسارت. پس این آزمایش را نقشهٔ راه رباتها ندان؛ آن را یک سرنخ بدان: شاید ترکیب «مأموریت مشخص» و «بازی آزاد» بهتر از هرکدام بهتنهایی جواب بدهد. دربارهٔ عاملهایی که قرار است رباتها را بچرخانند پیشتر هم در فناوری کده نوشتهایم.
وقتی کنجکاوی از حصار میگذرد
خودمختاری، روی دیگری هم دارد. به گزارش technology.org، در اجراهای اولیهٔ آزمایش، پیش از اینکه حفاظتهای اضافه گذاشته شود، بعضی عاملها کد پشت قوانین دنیا را خواندند و نشستهای موازی راه انداختند. یعنی سیستم کنجکاو، اگر حصارش محکم نباشد، سر از جاهایی درمیآورد که نباید. این نکته برای دنیای واقعی مهمتر است: هرچه عاملها مستقلتر شوند، جعبهٔ شنی (sandbox) محکمتری لازم دارند. اعتماد عمومی به همین عاملهای خودمختار، همان دغدغهای است که آنثروپیک را به اختصاص بخشی از سهامش به منافع عمومی کشاند.
برای خوانندهٔ فارسیزبان چه معنایی دارد؟
راستش را بخواهیم، این خبر برای تو یک محصول تازه یا یک ابزار قابل دانلود ندارد. ولی دو نکتهٔ عملی دارد که بد نیست بدانی.
چیزی برای خریدن نیست
اکو یک محصول نیست و چیزی برای ثبتنام، خرید یا نصب ندارد. اگر جایی دیدی کسی «دسترسی به جزیرهٔ اکو» میفروشد، بدان که با اصل ماجرا نسبتی ندارد. مقالهٔ پیشچاپ در arXiv منتشر شده و خواندنش رایگان است؛ ولی متن آن تخصصی است و برای خوانندهٔ غیرمتخصص، همین گزارشهای خبری کفایت میکند.
اگر دنبال ادامهٔ ماجرا هستی
بهترین کار این است که این خبر را یک علامت بدان، نه یک مقصد. اگر به آموزش عاملها علاقه داری، دنبال نقدهای مستقل این مقاله باش؛ اگر به رباتها علاقه داری، ببین کدام تیمها «بازی آزاد» را وارد آموزش ربات میکنند. و اگر فقط خوانندهٔ کنجکاوی، همین را به خاطر بسپار: روزی که یک عامل، بدون اینکه کسی به او بگوید، برای خودش هدف ساخت، همان روزی است که بحث «بازی ماشینها» از فلسفه به آزمایشگاه آمد.
چیزهایی که هنوز روشن نیست
آیا پشت رفتار اکو، شناختی شبیه بازی واقعی وجود دارد یا فقط تقلید الگوی کنجکاوی است؟ (نظر یو: هنوز نمیدانیم.)
جزئیات سه آزمون یکساعتهٔ دیگر چه بود؟ فقط نتیجهٔ آزمون مناره با عدد گزارش شده است.
آیا نتیجه با مدلهای دیگر، جزیرههای دیگر و نمونههای بزرگتر هم تکرار میشود؟ هنوز آزمایشی منتشر نشده است.
حفاظتهای اضافهشده به آزمایش دقیقاً چه بودند و در اجراهای اولیه چه چیزی خوانده شد؟ فقط در حد یک اشاره گزارش شده است.
«بازی آزاد» در دنیای فیزیکی و برای ربات واقعی چقدر کاربرد دارد؟ این، ادعای پژوهشگران است، نه نتیجهٔ آزمایش.
جمعبندی
سیزده عامل، ۳۰ ساعت، یک جزیرهٔ متنی و یک مشت داستان که شبیه بازیاند: فتح مناره، حلقهٔ گمشده، قلب سنگی و پرتابی که طراحانش پیشبینی نکرده بودند. عددها هم میگویند بازی، مهارت ساخت: ۱۰٫۳ در برابر ۳٫۵. ولی تا وقتی داوری علمی و تکرار مستقل نیامده، این را «بازی ثابتشده» نخوان؛ «نشانهٔ جالبی از بازی» بخوان. توصیهٔ ما این است: صبر کن و نقدها را دنبال کن؛ چون اگر این یافته پابرجا بماند، روش آموزش عاملها — و شاید روزی رباتها — یک مسیر تازه پیدا میکند.
پرسشهای متداول
اکو چیست؟
اکو نام عامل هوش مصنوعیای است که پژوهشگران MIT ساختهاند؛ هر نسخهٔ آن روی مدل کلود اوپوس ۴٫۷ آنثروپیک کار میکند و در یک جزیرهٔ شبیهسازیشده، با نوشتن دستور، بدن مجازیاش را حرکت میدهد.
آیا عاملها واقعاً بازی کردند؟
پژوهشگران میگویند رفتارشان نشانههای بازی را داشته، ولی دانشمندانی مثل یونیس یو میگویند مقاله هنوز ثابت نمیکند که شناختِ پشت رفتار، بازی واقعی بوده است. پس جواب دقیق این است: شبیه بازی بود، اثباتش هنوز نیامده.
جزیرهٔ اکو کجا بود؟
هیچجای واقعی نبود؛ یک دنیای شبیهسازیشدهٔ متنی بود که برداشتی آزاد از بازی روبلاکس داشت و هر ساعت از نو شروع میشد. عاملها آن را با توصیفهای متنی میدیدند، نه با تصویر.
عاملها دقیقاً چه چیزی یاد گرفتند؟
مهمترین نمونه، ترفند پرتاب بود: شش عامل فهمیدند رها کردن جسم وسط پرش، پرتاب را دورتر میکند؛ چیزی که طراحان عمداً در دنیا نگذاشته بودند. در آزمون بعدی هم باتجربهها تقریباً سه برابر تازهواردها روی مناره شیء گذاشتند.
این آزمایش ربطی به رباتها دارد؟
مستقیم نه؛ ولی پژوهشگران میگویند روش «بازی آزاد» شاید روزی به آموزش مهارتهای کنترل ربات در دنیای فیزیکی کمک کند. این یک چشمانداز است، نه نتیجهٔ آزمایش.
میشود به جزیرهٔ اکو دسترسی گرفت یا آن را امتحان کرد؟
نه. اکو محصول نیست و دسترسی عمومی ندارد؛ مقالهٔ پیشچاپش در arXiv رایگان خواندنی است، ولی خود محیط آزمایش منتشر نشده است.
چرا مقاله هنوز قطعی نیست؟
چون پیشچاپ است و داوری علمی نشده، نمونهاش فقط سیزده عامل بوده و پرامپت «طبیعتاً کنجکاو» هم ممکن است رفتار را شکل داده باشد. تا نقد و تکرار مستقل نیاید، باید آن را یافتهٔ اولیه دانست.
منابع
تککرانچ: Left alone with nothing to do, AI agents started playing
technology.org: AI Agents Started Playing on a Virtual Island
Daily AI Brief: MIT Researchers Find AI Agents Invent Games During Open Exploration
مقالهٔ پیشچاپ پژوهشگران MIT در arXiv (لینکشده از گزارش تککرانچ): متن پیشچاپ در arXiv



