Agenci AI: Rewolucja w grze dzięki lepszym pytaniom

W 2026 roku świat huczy z podekscytowania możliwościami agentów sztucznej inteligencji. Te nieco samowystarczalne programy mogą ‘myśleć’ i wykonywać określone zadania, dodając ogromną wartość do obszarów takich jak obsługa klienta i tworzenie oprogramowania za pomocą modeli językowych (LM). To naprawdę fascynujące. Jednak gdy weźmiemy pod uwagę bardziej znaczące, niepewne środowiska, które wymagają dokładnej analizy, takie jak diagnostyka medyczna i odkrycia naukowe, te LM wypadają nieco słabiej.

Podważanie granic sztucznej inteligencji

Oto jednak ekscytująca część. Naukowcy z MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) i Harvard University's School of Engineering and Applied Sciences (SEAS) starają się stawić czoła tym ograniczeniom. Ich podejście? Wykorzystują grę ‘Battleship’, klasyczną ulubioną grę z dzieciństwa, którą kognitywiści wykorzystali do zbadania ludzkich zachowań związanych z poszukiwaniem informacji i zaprojektowania jej nowej wersji. W ich pomysłowej adaptacji, ‘Collaborative Battleship’, jeden gracz działa jako ‘kapitan’, zadając pytania o to, gdzie mogą znajdować się ukryte statki, a drugi gracz - ‘obserwator’ - odpowiada w czasie rzeczywistym.

W badaniu tym nie chodzi jednak tylko o granie w gry. Zapraszając do udziału ponad 40 osób, zespół badawczy zebrał mnóstwo pytań i odpowiedzi - zestaw danych ‘BattleshipQA’. To bogate źródło danych odegrało kluczową rolę, gdy przyszło do oceny wydajności najlepszych LM, takich jak GPT-5 i mniejszych modeli, takich jak Llama 4 Scout. Co ciekawe, nawet przed otrzymaniem jakiegokolwiek szkolenia, topowe LM zdołały ukończyć grę szybciej niż ludzcy gracze, podczas gdy mniejsze systemy wydawały się mieć nieco więcej problemów.

Poziomowanie modeli językowych

Naukowcy zaobserwowali, że główną przeszkodą była trudność modeli w generowaniu przydatnych pytań. Aby temu zaradzić, wyposażyli każdy model w strategię wnioskowania Monte Carlo, umożliwiając im ocenę prawdopodobieństwa różnych scenariuszy w miarę postępów w grze. W rezultacie nawet mniejsze modele AI mogły przechytrzyć ludzkich graczy w grze ’Battleship‘.’

Dowód? Llama 4 Scout, jeden z mniejszych LM, zwiększył swój współczynnik wygranych z zaledwie 8% do imponujących 82% po udoskonaleniu strategii. A wisienką na torcie jest to, że udało jej się przewyższyć wydajność GPT-5, kosztując tylko 1 procent ceny. Na tym nie koniec. Podczas gdy GPT-5 udowodnił swoją skuteczność jako spotter, mniejsze systemy często błędnie odgadywały lokalizacje statków. Zespół zajął się tym problemem, przekształcając pytania w kod, instruując modele, jak weryfikować ich odpowiedzi, poprawiając średnią dokładność o 15 procent.

Wysiłek nie zatrzymał się tylko na ‘Battleship’. Naukowcy przetestowali również ulepszone LM w innej klasycznej grze, ‘Zgadnij kto?’. Zarówno w małych, jak i dużych modelach, byli w stanie stopniowo odrzucać opcje identyfikacji ukrytych postaci. Llama 4 Scout przeszła od dokładnej identyfikacji postaci w 30 procentach przypadków do niezwykłego 72-procentowego wskaźnika sukcesu.

Nawigacja w niepewności

Pomimo obiecujących postępów, nie wszystko idzie gładko. Modele językowe wciąż mają trudności z odpowiadaniem na złożone pytania w porównaniu do nas, ludzi. Jak zauważył badacz OpenAI i współautor Valerio Pepe, GPT-5 może pokonać przeciętnego gracza ‘Battleship’, ale wciąż ma przed sobą pewną drogę, gdy zmierzy się z ekspertem. Niemniej jednak, odkrycia te podkreślają niezbadany potencjał agentów AI i rolę, jaką mogą odegrać w nauce i badaniach. Podczas gdy ‘Collaborative Battleship’ działa w stosunkowo prostym otoczeniu, naukowcy zamierzają zapuścić się w bardziej złożone sytuacje wymagające szczegółowych badań.

W przyszłości zespół będzie badał, jak dobrze ludzie i modele AI współpracują ze sobą. Być może dopracowanie modeli na symulacjach gier i dodanie większej mocy obliczeniowej do miksu mogłoby zwiększyć zdolności predykcyjne LM, czyniąc je jeszcze potężniejszymi. Robert Hawkins, adiunkt lingwistyki na Uniwersytecie Stanforda, wskazuje prawdziwe wyzwanie: ‘W miarę jak systemy sztucznej inteligencji stają się coraz bardziej agentowe, najtrudniejszymi problemami okazują się te społeczne’.’

To przełomowe badanie przeprowadzone przez Gabriela Granda i Valerio Pepe z MIT, wraz z ich kolegami Jacobem Andreasem i Joshuą Tenenbaumem, rzuca światło na to, jak możemy nauczyć sztuczną inteligencję zadawania lepszych pytań, torując w ten sposób drogę do przyszłych postępów. Więcej informacji na temat ich intrygującej pracy można znaleźć na stronie oryginalny artykuł tutaj.

Jeśli Twoja firma bada rozwiązania automatyzacji AI, implementi.ai może zrewolucjonizować Twoje operacje dzięki najnowocześniejszej technologii AI. Skontaktuj się z nami już dziś i porozmawiajmy o możliwościach!