AI stworzyła własny język bez udziału człowieka

Sztuczna inteligencja, pozostawiona sama sobie, potrafi wykształcić własny system komunikacji – bez słownika, bez wzorców językowych człowieka i bez centralnego nadzoru. Takie wnioski płyną z badania przeprowadzonego przez naukowców z Vrije Universiteit Brussel (VUB) oraz University of Namur (UNamur) w Belgii, o którym pisze spidersweb.pl. W części testowanych scenariuszy skuteczność porozumiewania się agentów AI przekroczyła 99 proc.

Kluczowe wnioski

• Agenci AI bez wcześniejszej wiedzy o słowach czy kategoriach samodzielnie wykształcili system komunikacji złożony z nowo tworzonych oznaczeń.
• W podstawowym eksperymencie z udziałem 10 agentów przeprowadzono milion interakcji, po których nastąpiło 100 tys. prób testowych sprawdzających, czy język działa także na nieznanych wcześniej obiektach.
• W teście na danych o winach skuteczność komunikacji wyniosła 99,76 proc., przy egzoplanetach 99,67 proc., a przy obrazach ptaków przekroczyła 95 proc. – łącznie sprawdzono 37 różnych zestawów danych.
• Agenci potrafili porozumiewać się nawet wtedy, gdy otrzymywali różne, niekompletne lub zakłócone informacje o tym samym obiekcie – skuteczność spadała, ale komunikacja nie zanikała całkowicie.
• Wykształcony „język” nie przypomina ludzkiej mowy – to krótkie, sztucznie wygenerowane słowa (np. „demoxu”), którym agenci nadali uporządkowane znaczenie wystarczające do wykonania konkretnych zadań.

Jak rodził się język bez słownika

Zespół badawczy nie chciał powielać schematu znanego z modeli takich jak ChatGPT, które uczą się na gigantycznych zbiorach tekstów napisanych przez ludzi. Zamiast tego naukowcy wykorzystali agentów AI – programy podejmujące samodzielne decyzje w ramach wyznaczonego zadania – i pozbawili ich jakiegokolwiek punktu wyjścia. Żaden z agentów nie znał na starcie choćby jednego słowa ani kategorii opisującej otoczenie. Dysponowali wyłącznie mechanizmami pozwalającymi tworzyć nowe oznaczenia, przypisywać im znaczenie i modyfikować je na podstawie wcześniejszych doświadczeń. Nie istniał centralny system narzucający wszystkim uczestnikom jednakowy słownik – wystarczyło umożliwić im wzajemną komunikację.

Proces przypominał ewolucję w miniaturze. Gdy agent nie potrafił opisać obiektu, tworzył nowe słowo. Jeśli drugi agent zrozumiał komunikat poprawnie, oznaczenie zyskiwało na znaczeniu i było utrwalane. Gdy dochodziło do pomyłki, programy korygowały sposób przypisywania słów do cech. W ten sposób określenia znane początkowo tylko jednemu agentowi stopniowo rozpowszechniały się w całej grupie – bez dostępu do wewnętrznych danych innych programów i bez możliwości bezpośredniego kopiowania słowników.

W podstawowej wersji eksperymentu uczestniczyło 10 agentów. Podczas każdej interakcji losowano dwóch z nich i przedstawiano im zestaw obiektów – jeden program miał wskazać konkretny element, drugi musiał odgadnąć, o który chodzi. Na początku komunikacja była niemal niemożliwa, bo brakowało wspólnych określeń. Standardowa konfiguracja badania obejmowała milion takich interakcji, a następnie 100 tys. prób testowych sprawdzających, czy wykształcony język sprawdza się również przy obiektach, których agenci wcześniej nie widzieli. Efektem nie jest pełnoprawny język porównywalny z polskim czy angielskim, lecz samodzielnie wykształcony słownik i system uzgadniania znaczeń – wystarczający do realizacji konkretnych zadań.

Wyniki w 37 scenariuszach testowych

Żeby sprawdzić, czy metoda działa poza laboratoryjnym eksperymentem, badacze przetestowali ją w 37 różnych scenariuszach z wykorzystaniem m.in. danych o składzie chemicznym win, właściwościach egzoplanet, cechach grzybów oraz obrazów przedstawiających ptaki, ludzkie twarze i rozmaite przedmioty. Za każdym razem zadanie było podobne: agenci mieli opracować sposób wskazywania konkretnych obiektów lub zestawów cech na podstawie otrzymywanych informacji, bez żadnych z góry ustalonych nazw.

Wyniki okazały się wysokie niezależnie od rodzaju danych. Przy winach skuteczność komunikacji sięgnęła 99,76 proc., przy egzoplanetach 99,67 proc., a przy obrazach ptaków przekroczyła 95 proc. Co istotne, wykształcone oznaczenia działały również na przykładach, których agenci nigdy wcześniej nie widzieli – nie chodziło zatem o zapamiętywanie konkretnego zestawu informacji, lecz o wypracowanie uniwersalnego sposobu ich opisywania. Tego typu systemy wieloagentowe są obecnie przedmiotem intensywnych badań także pod kątem ich praktycznej użyteczności i kosztów wdrożenia.

Gdy maszyny widzą świat inaczej

Jednym z największych wyzwań współczesnej robotyki jest współpraca urządzeń wyposażonych w różne czujniki – jedna maszyna obserwuje otoczenie kamerą, druga wykorzystuje radar, a trzecia mierzy odległość laserem. Każde z nich otrzymuje inny zestaw informacji o tym samym obiekcie. Belgijscy badacze sprawdzili, czy agenci AI potrafią porozumiewać się także w takich warunkach – wprowadzali zakłócenia, zmieniali dostępne dane, a nawet symulowali awarie czujników. W wielu przypadkach wykształcony język nadal pozwalał wykonywać zadania, choć przy poważniejszych ograniczeniach dokładność spadała.

To właśnie zdolność dostosowywania znaczeń do zmieniających się warunków może okazać się najbardziej przydatna w przyszłości. Zamiast wymagać, by każdy robot widział dokładnie to samo, można pozwolić maszynom uzgadniać wspólne określenia na podstawie własnych, niekoniecznie identycznych obserwacji. Naukowcy zwracają uwagę, że proces ten przypomina pod pewnym względem sposób, w jaki ludzie uczą się posługiwać językiem – nie musimy widzieć identycznego odcienia czerwieni, by rozumieć, co oznacza „czerwony samochód”. Wystarczy, że w trakcie komunikacji uzgodniliśmy znaczenie.

Eksperyment belgijskich badaczy pokazuje, że systemy sztucznej inteligencji nie potrzebują gotowego języka ani ludzkiego nauczyciela, by skutecznie się porozumiewać – potrafią wypracować go same, nawet gdy nie postrzegają świata identycznie.