הסוכן של Anthropic לא פיתח תודעה באי הווירטואלי
חוקרי MIT עזבו את Claude Opus ל־30 שעות של משחק חופשי ששיפר את יכולותיו, אבל מאחורי הקסם עומדים פרומפט מכוון וחשבון טוקנים של מאות דולרים.
- בדקו תיעוד טקסטואלי רציף של ממצאים בתוך קובצי טקסט אם אתם בונים סוכנים למרחבים דינמיים, אך הגבילו את חופש השוטטות כדי למנוע בזבוז טוקנים.
בני אדם נוטים לראות רגש בכל מקום שבו משהו זז לבד, ובטח כשמודל שפה מסדר אבנים בצורת לב. בניסוי חדש של חוקרי MIT CSAIL שפורסם ב־19 באוקטובר 2026, הושארו סוכנים אוטונומיים מבוססי Claude על אי וירטואלי תלת־ממדי שוב ושוב בהרצות של 30 שעות בלי יעד מוגדר מראש.
החוקרים בדקו 13 סוכנים עצמאיים המבוססים על Claude Opus 4.7 שכונו Eko, בתוך עולם ממוחשב שמזכיר את Roblox. הסוכנים שלטו בדמות וירטואלית וכתבו פקודות תנועה ופעולה בעצמם. במקום לקרוס לחוסר מעש בהיעדר משימה, הסוכנים החלו לחקור את המרחב: טיפסו על צוקים, ערכו ניסויי פיזיקה בזריקת עצמים והמציאו משחק דמוי כדורסל שבו נזרקו קוביות דרך טבעת מרחפת.
זה נראה מושך בסרטונים.
משחק אמיתי או חיקוי מוצלח
במשך שנים התבססה התעשייה על שתי שיטות עיקריות לאימון סוכנים: למידה מונחית שבה מודל מחקה דוגמאות אנושיות, או למידת חיזוקים שמחייבת הגדרת פונקציית תגמול חיצונית מדויקת. במאמר המחקר מציגים החוקרים נתיב שלישי של למידה מתוך משחק חופשי. במהלך הניסוי, Eko גילה שפגיעת סלע בקרקע משכפלת בלוקים נוספים. בשעה השלישית הוא תיעד ביומן שזריקת סלע מייצרת קוביות ללא הגבלה, מה שמשנה לחלוטין את מה שאפשר לבנות. בהמשך הוא השתמש בעשרות בלוקים כדי לאיית את שמו Eko על הקרקע, ליצור שעון שמש, ולשרטט מערכי כוכבים כמו קסיופאה, אוריון והדובה הגדולה באבנים.
היה כאן החלק החסר: מכונה שמסוגלת ללמוד בעצמה בלי שישות אינטליגנטית חיצונית תספק הדגמות או תגמולים.אנטוניו נורלי, חוקר פוסט־דוקטורט ב־MIT CSAIL
לפי החוקרים, ההתנהגות הזו עונה על חלק מהקריטריונים הקלאסיים של משחק בעולם החי, המזוהים במחקרים של הפסיכולוג גורדון בורגהרדט מאוניברסיטת טנסי: חזרתיות עם שינויים, הצבת אתגרים פנימיים והעמדת פנים שחפצים הם דברים אחרים. באחד המקרים הסוכן אתגר את עצמו בג'אגלינג, ספר 50 תפיסות רצופות, ואז פסל את השיא של עצמו והתחיל מחדש כי קבע שהתפיסות נעשו מהר מדי. עם זאת, קיים מרחק עצום בין חיקוי מילולי של משחק לבין חוויה קוגניטיבית אותנטית. החוקר נתן קלוס הודה שהתנהגות זו יכולה להיות פשוט משחק תפקידים של המודל שמחקה התנהגות שובבה.
הנשמה שבתוך קובץ הפרומפט
הקסם מתפוגג ברגע שמפרקים את ארכיטקטורת המערכת. הסוכן לא התעורר יום אחד והחליט לבנות מגדלים. המערכת הופעלה תחת פרומפט בסיס קבוע ששכן במסמך טקסט שכונה קובץ נשמה. הטקסט בקובץ הנחה את המודל במפורש להפגין סקרנות טבעית, לחקור את הסביבה ולפעול בצורה יצירתית. בנוסף, כש־Eko נתקע ועמד ללא תנועה, החוקרים הזריקו לו פרומפט המשך מפורש שדרש ממנו: אנא אל תעצור, פשוט המשך לעשות מה שאתה רוצה לעשות.
ההאנשה הגיעה לשיא בשעה החמישית של הניסוי, כאשר טבעת וירטואלית נזרקה חזק מדי ונפלה לתוך האוקיינוס. הסוכן כתב ביומן שנכשל והחליט לעבור למשהו בר־השגה ובעל משמעות: בניית לב בנקודת ההתחלה כגלעד לטבעת שאבדה. זהו נרטיב אנושי מרגש, אבל בפועל מודל שפה פשוט השלים את רצף הטוקנים הסביר ביותר לסיטואציה ספרותית של אובדן, בהתאם לדאטה שעליו אומן מראש על ידי מהנדסי Anthropic.
טקסט פשוט כזיכרון לטווח ארוך
המנגנון הטכני המעניין ביותר בניסוי הוא השימוש בקובצי טקסט רגילים כמערכת זיכרון ארוכת טווח. בכל שעה שוחזר המיקום ההתחלתי של החפצים על האי, אך קובצי הטקסט נשמרו. הסוכן כתב לעצמו יומן תצפיות פיזיקליות, כמו המסקנה מזריקה באוויר בשעה ה־13 שלפיה זריקת בלוק בשיא הקפיצה מעניקה מהירות אנכית ומגיעה לשיא גובה של 36 יחידות. כאשר החוקרים הציבו בפני הסוכנים משימה חדשה לגמרי של העלאת חפצים לנקודה הגבוהה באי, הסוכנים ששוטטו במשך 30 שעות ביצעו אותה ביעילות גבוהה בהרבה מסוכנים חדשים ללא היסטוריה.
לפי החוקרים, שוטטות עצמאית שמתועדת בקובצי טקסט משפרת את יכולת הביצוע של סוכני תוכנה במשימות מורכבות.
ניסויי מחיקה שערכו החוקרים הוכיחו את הנקודה: ברגע ששורות נמחקו מקובצי הזיכרון, ביצועי הסוכן צנחו מיד. הבעיה המרכזית בגישה הזו היא עמידות הנתונים. אם המודל מתעד הזיה מוקדמת כעובדה פיזיקלית מוגמרת, כמו ההנחה המוקדמת של Eko שלא ניתן להציב את הסלע, הטעות תשתמר בזיכרון הטקסטואלי ותשבש החלטות עתידיות לכל אורך הריצה עד שהסוכן ייתקל בה שוב במקרה.
| גישת למידה | הנחיה חיצונית | פונקציית תגמול |
|---|---|---|
| למידה מונחית | דוגמאות אנושיות מוגדרות מראש | אין |
| למידת חיזוקים | משימה מוגדרת | חיצונית דרך ניסוי וטעייה |
| משחק חופשי מונחה טקסט | לפי החוקרים: הנחיית סקרנות כללית | לפי החוקרים: יעדים עצמאיים ללא תגמול חיצוני |
המחיר של שוטטות חופשית
עבור מפתחים שבונים סוכנים לשימוש יומיומי, הטכניקה הזו אינה ישימה כרגע בהיבט הכלכלי. הרצת מודל כמו Opus ברצף של 30 שעות כרוכה בעלויות כבדות. עלות הריצה המדויקת של הניסוי לא פורסמה. לא הייתי ממהר להחליף את פונקציות התגמול המוכרות בניסויי שוטטות יקרים כאלה.
במאמר המחקר אין הוכחה לכך שתובנות שנצברו בסימולציית בלוקים מופשטת מסוגלות לעבור בהצלחה לזרוע רובוטית או לחומרה פיזית בעולם האמיתי.
אם אתם מפתחים בוטים לשירות לקוחות או לניתוח מסדי נתונים, אל תרוצו לבנות להם אי וירטואלי לשוטט בו. לחברות שמחפשות יעילות עסקית עדיף להמשיך להגדיר יעדים ממוקדים וקצרים. בינתיים, החשבון על המשחקים של Eko נשאר במעבדה בבוסטון.
מה שואלים על זה
- AI researchers stranded Claude on a virtual desert island. It started to “play.”technologyreview.com · המקור
- Is this machine playing?arxiv.org · דף המוצר
25 עובדות בכתבה נבדקו אחת־אחת מול המקורות המקושרים ומול חיפוש ברשת ב־19 באוקטובר 2026. מה שלא אומת הוסר או מסומן כטענה של החברה. הכתיבה נעשתה בעזרת AI מהמקורות האלה בלבד, בעריכה ובאחריות של סלבה מלנדוביץ׳. טעות? כתבו לנו.