นักวิจัยได้ทดลองปล่อยให้ AI อยู่บนเกาะร้างดิจิทัลโดยไม่ให้โจทย์ใดๆ แต่สิ่งที่พบคือ AI สามารถเรียนรู้หลายอย่างได้เอง

นักวิจัยจากห้องปฏิบัติการวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์ (CSAIL) ของ MIT ทดลองปล่อยเอเจนต์ AI ที่ขับเคลื่อนด้วยโมเดล Claude ของแอนโทรปิก (Anthropic) ไว้บนเกาะร้างในโลกจำลอง โดยไม่มอบหมาย หรือกำหนดเป้าหมายใดๆ ผลปรากฏว่าเอเจนต์มีการคิดกิจกรรมต่างๆ มีการตั้งกติกา รวมถึงสร้างเกมขึ้นมาเอง ที่สำคัญคือประสบการณ์จากการเล่นทำให้ AI ทำงานที่ได้รับมอบหมายภายหลังได้ดีขึ้น ทีมวิจัยจึงมองว่านี่อาจเป็นอีกแนวทางในการพัฒนา

งานวิจัยนี้มีชื่อว่า Is This Machine Playing? เผยแพร่บน arXiv ในเดือนตุลาคม 2026 โดยทีมวิจัยได้สร้างเกาะเสมือนที่ล้อมรอบด้วยน้ำ มีเพียงลูกบาศก์สิบสองก้อน ก้อนหิน วงแหวน และเนินสูงไม่กี่จุด แล้วปล่อยเอเจนต์ชื่อ Eko ซึ่งใช้ Claude Opus 4.7 ลงไปสิบสามตัว ตัวละ 30 ชั่วโมง แต่เกาะจะรีเซ็ตทุกชั่วโมง หลังจากนั้น เอเจนต์ได้จดสิ่งที่เรียนรู้ลงไฟล์ความจำ โดยมีเป้าหมายว่าต้องการวางข้อจำกัดให้น้อยที่สุดแล้วดูว่าเอเจนต์จะทำงานอย่างไรต่อไป

หลังเรียนรู้วิธีบังคับร่างกายเสมือนซึ่งออกแบบเป็นกุ้งล็อบสเตอร์เดินสองขา เอเจนต์ก็เริ่มคิดกิจกรรมของตัวเอง บางตัวต่อบล็อกปีนขึ้นจุดสูงสุดของเกาะ บางตัวสะกดชื่อตัวเองด้วยลูกบาศก์ ดัดแปลงวงแหวนเป็นห่วงบาสเกตบอล หรือใช้ก้อนหินเล่นโบว์ลิ่ง ตัวหนึ่งขว้างวงแหวนตกทะเลแล้วสร้างรูปหัวใจเป็นอนุสรณ์ อีกตัวสร้างอนุสาวรีย์คล้ายสโตนเฮนจ์ และเมื่อมันพังลงก็ตั้งชื่อว่า Hubris หรือความทะนงตน

ทีมวิจัยพบว่าพฤติกรรมเหล่านี้ตรงกับลักษณะการเล่นของสัตว์และมนุษย์ครบทั้ง 4 ข้อ คือ ตั้งกฎและโจทย์เอง ทำซ้ำโดยปรับเปลี่ยนไปเรื่อยๆ สมมติให้สิ่งของมีความหมายใหม่ และทำเพื่อตัวกิจกรรมเอง

เมื่อนำเอเจนต์ที่ถูกปล่อยเกาะมาทดสอบกับโจทย์ แล้วเทียบกับเอเจนต์ที่ไม่ได้ถูกปล่อยเกาะ พบว่า เอเจนต์ที่อยู่บนเกาะเสมือนทำได้ดีกว่าในภาพรวม เช่น สามารถนำวัตถุขึ้นไปวางบนยอดสูงสุดของเกาะได้เฉลี่ย 10.3 ชิ้น เทียบกับ 3.5 ชิ้น และเมื่อลบบันทึกเทคนิคใดออกจากไฟล์ความจำ ความสามารถนั้นก็ลดลงตาม แสดงว่าการเรียนรู้ทั้งหมดอยู่ในบันทึกที่ AI เขียนเอง โดยไม่ต้องแก้ตัวโมเดล ซึ่ง AI บางตัวยังค้นพบว่าการขว้างขณะกระโดดทำให้วัตถุพุ่งสูงกว่าปกติมาก ซึ่งผู้สร้างโลกจำลองเองก็ไม่รู้มาก่อน แต่วิธีนี้ก็มีจุดอ่อน เพราะเอเจนต์บางตัวจดความเชื่อผิดเอาไว้เหมือนกัน

ทีมวิจัยจึงสรุปว่า แทนที่จะกำหนดล่วงหน้าว่า AI ควรต้องฝึกอะไร การใช้วิธีการสร้างโลกที่ปลอดภัยแล้วปล่อยให้ AI เลือกสิ่งที่สนใจเอง เพราะทักษะบางอย่างอาจสอนผ่านโจทย์ได้ดีที่สุด แต่บางอย่างอาจต้องอาศัยสิ่งที่ใกล้เคียงกับแนวคิดของเด็ก 

อย่างไรก็ตาม ทีมวิจัยเตือนว่าการเล่นที่ AI ริเริ่มหลายๆ อย่างเอง อาจขัดกับการทำตามคำสั่ง จึงต้องพัฒนาควบคู่กับมาตรการด้านความปลอดภัยและในพื้นที่ที่ควบคุมได้เท่านั้น

ที่มา: Fast Company