Копии Claude Opus 4.7 провели по 30 часов в одиночестве на виртуальном острове без прикладной задачи: строили узоры из камней, играли в баскетбол и пытались забраться на самую высокую точку карты. Эксперимент MIT показывает, что игровое обучение ИИ может быть полезно не только для эффектных демо, но и для подготовки агентов к работе в незнакомой среде — тема, которая касается и разработчиков автономных систем, и команд, внедряющих ИИ в бизнес-процессы.
Исследователи из MIT Computer Science and Artificial Intelligence Laboratory поместили агентов в симуляцию, отдалённо напоминающую Roblox. Версии модели Claude Opus 4.7 получили имя Eko и могли управлять аватаром через текстовые инструкции: ходить, прыгать, переносить и бросать объекты. Жёсткой цели им не задали. О результатах эксперимента сообщает MIT Technology Review.
Вместо того чтобы ждать следующей команды, Eko постепенно находил себе занятия. Один агент проверял, как высоко можно подбросить блок; другой пытался покорить максимальную высоту на карте. После открытия, что большой камень при броске и падении создаёт новые блоки, один из Eko начал выкладывать из них фигуры: сначала сердца и пирамиды, затем своё имя и схему созвездия Кассиопеи. В журнале действий агент описал это как создание ночного неба из камня.
Были и более похожие на игру сценарии. Одна версия Eko придумала вариант баскетбола. Другая прыгала по небольшим блокам, избегая земли, — почти как в игре «пол — это лава». Агент, тренировавший жонглирование, довёл серию до 50 ловель подряд, но затем сам отменил рекорд: по его оценке, броски и ловля происходили слишком быстро, чтобы результат можно было честно засчитать. Он ужесточил правила и начал попытку заново.
Не награда, а собственная цель
Обычно модели учатся либо на примерах, подготовленных людьми, либо через подкрепление: система получает сигнал награды за нужный результат и пробует снова. Авторы работы предлагают посмотреть на ещё один механизм — игровое обучение ИИ, при котором агент сам формулирует небольшие цели, экспериментирует с правилами и запоминает последствия действий. Ведущий автор исследования Антонио Норелли называет отсутствующим звеном систему, способную учиться без внешнего наставника и заранее заданной награды.
Авторы опираются на четыре поведенческих признака игры, описанные психологом Гордоном Бёргхардтом в исследованиях людей и животных: самостоятельное создание правил и вызовов, повторение действий с вариациями, символическое использование объектов и стремление к цели без внешней пользы. Eko действительно демонстрировал такие паттерны. Но сам по себе набор похожих действий ещё не доказывает, что модель «играет» в человеческом или животном смысле.
Этот вывод особенно важен, потому что эксперимент не был чистым наблюдением за моделью в вакууме. У Eko имелся базовый текстовый файл, который исследователи называют «душой»: в нём агента описывали как любопытного и склонного к исследованию. Кроме того, модель нередко просто останавливалась, пока ей не отправляли продолжение с просьбой не прекращать и заниматься чем угодно. Профессор MIT Филлип Изола прямо указывает: перед нами не система, которая внезапно обрела мотивацию, а продукт обучения на человеческой культуре, работы инженеров Anthropic и специально созданной исследовательской среды.
Польза есть, но антропоморфизм остаётся риском
Практический результат эксперимента выглядит убедительнее художественных дневников Eko. Агенты, которые 30 часов исследовали остров и вели текстовые записи о своих действиях, затем лучше справлялись с конкретной задачей: переносили на вершину карты больше объектов, чем свежие копии модели без такого опыта. Когда исследователи удаляли строки из файлов памяти, качество выполнения снижалось. Иными словами, свободное исследование оставляло след, который помогал в последующей работе.
Натан Клус, соавтор исследования, признаёт очевидное возражение: языковая модель может лишь разыгрывать образ любопытного существа, потому что видела подобные сюжеты в обучающих данных. Когнитивный учёный Калифорнийского университета в Беркли Юнис Юи тоже считает поведенческих наблюдений недостаточно, чтобы уверенно говорить об игре: нужны свидетельства внутренней мотивации и когнитивных механизмов. Зато она отмечает ценность исследований исследования и построения моделей мира, если ИИ предстоит переносить навыки на новые среды.
Для разработчиков отсюда следует менее романтичный, но более полезный вывод: автономному агенту недостаточно длинного списка инструкций и KPI. В задачах, где заранее невозможно перечислить все препятствия — от складского робота до программного агента в новой кодовой базе, — нужен безопасный контур для исследования, накопления памяти и проверки гипотез. При этом «любопытство» нельзя принимать на веру: нужно отдельно измерять, какие действия действительно улучшают выполнение целевой задачи, а какие лишь производят занимательный лог.
Эксперимент MIT не отвечает на вопрос, испытывает ли Eko игру или только убедительно имитирует её. Зато он даёт проверяемую гипотезу: игровое обучение ИИ способно превращать свободное взаимодействие со средой в полезный опыт, если агент сохраняет и применяет найденные закономерности. По мере перехода ИИ из чатов в роботов и сложные рабочие контуры именно этот разрыв между красивым поведением и измеримой переносимостью навыков станет главным предметом проверки. Подробнее об эксперименте — в .