AI gra w statki, żeby lepiej uprawiać naukę. Nowa metoda zadziwia skutecznością
Naukowcy zmusili sztuczną inteligencję do gry w kultowe Battleship. Efekt? Modele językowe nauczyły się stawiać trafniejsze hipotezy i oszczędzać zasoby - a to może zmienić sposób, w jaki prowadzi się badania.
pl.
👁 138 przeczytań
- Zoptymalizowana Llama-4-Scout wygrywała z GPT-5 w dwóch trzecich rozgrywek, potrzebując średnio o siedem ruchów mniej niż ludzcy gracze.
- Kluczem do poprawy skuteczności modeli było zastąpienie języka naturalnego fragmentami kodu jako formą komunikacji między agentami.
- Llama-4-Scout osiągnęła lepsze wyniki od GPT-5 przy około jednej setnej kosztów obliczeniowych, co pokazuje przewagę strategii nad mocą obliczeniową.
„Możesz zdobyć tylko tyle danych, ile pozwala ci czas i pieniądze” - mówi Valerio Pepe, badacz, który przed dołączeniem do OpenAI prowadził projekt na Massachusetts Institute of Technology. Brzmi jak oczywistość, ale w świecie sztucznej inteligencji to kluczowy problem. Jak sprawić, by algorytm sam wybierał, które pytania zadać, gdy każde kosztuje? Odpowiedzią okazała się… gra w statki.
Nauka przez zabawę - dlaczego Battleship?
Z pozoru dziecięca rozrywka, w której gracze ukrywają flotę na siatce i próbują zatopić jednostki przeciwnika, ma w sobie coś, czego potrzebuje każdy naukowiec: ograniczone zasoby i konieczność podejmowania decyzji. W rzeczywistych badaniach nie można sprawdzić każdej hipotezy - eksperymenty są drogie, próbki rzadkie, a czas goni. Pepe i jego zespół zaprojektowali więc współpracującą wersję Battleship, w której jeden gracz zadaje pytania, a drugi odpowiada. Celem było wspólne namierzenie wszystkich statków w jak najmniejszej liczbie ruchów.
Do rywalizacji stanęły modele językowe - Llama-4-Scout od Meta oraz GPT-5 od OpenAI - a także 42 ludzkich ochotników. Na początku ludzie wygrywali wyraźnie: potrzebowali mniej rund niż Llama. GPT-5 radził sobie lepiej od obu. Jednak naukowcy nie poprzestali na prostym porównaniu.
Bayesowska precyzja i kod zamiast słów
Inspiracją była bayesowska teoria projektowania eksperymentów, która uczy, jak wybierać pytania maksymalizujące przyrost informacji. Zespół Pepe’a zoptymalizował modele tak, by przy każdym ruchu oceniały, które pytanie przyniesie najwięcej wiedzy przy najmniejszym koszcie. Kluczowym usprawnieniem okazało się zastąpienie języka naturalnego… fragmentami kodu. Gdy modele komunikowały się za pomocą zwięzłych instrukcji programistycznych, ich skuteczność gwałtownie wzrosła.
„Po optymalizacji Llama-4-Scout wygrywała z GPT-5 w dwóch trzecich rozgrywek, przy około jednej setnej kosztów obliczeniowych. Średnio potrzebowała też o siedem ruchów mniej niż ludzcy gracze” - podsumowują autorzy badania opublikowanego na International Conference on Learning Representations.
To oznacza, że tańszy model, po odpowiednim treningu, potrafił przewyższyć zarówno droższego rywala, jak i człowieka. Nie chodziło o siłę obliczeniową, ale o strategię.
Od planszy do laboratorium - co to znaczy dla nauki?
Battleship to oczywiście uproszczenie. Plansza 10×10 nie odda złożoności cząsteczki białka ani sieci neuronowej. Jednak - jak podkreśla Yuanqi Du, badacz AI w chemii z Cornell University - „zrozumienie całej przestrzeni hipotez, którą przeszukujesz, to najtrudniejsza część”. A właśnie tego uczy się model: jak efektywnie mapować nieznany teren.
Pepe zaznacza, że wypracowane metody znajdą zastosowanie w doborze eksperymentów chemicznych, symulacji fizycznych czy analizie danych klinicznych. W każdej dziedzinie, w której każdy pomiar kosztuje, algorytm potrafiący zadać właściwe pytanie oszczędza miliony i przyspiesza odkrycia.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Co dalej? Sztuczna inteligencja jako partner w myśleniu
Badanie pokazuje, że przyszłość AI w nauce nie polega na zastąpieniu badaczy, ale na dostarczeniu im narzędzia, które samodzielnie planuje ścieżkę dociekań. Model nie tylko odpowiada, ale decyduje, o co zapytać. To krok w stronę systemów, które potrafią prowadzić badania od pomysłu do wniosku, minimalizując stratę czasu i zasobów. Gra w statki okazała się poligonem, na którym AI uczy się myśleć jak naukowiec. I robi to coraz lepiej.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Najczęstsze pytania
Dlaczego naukowcy użyli gry w statki do trenowania AI?
Gra w statki wymusza podejmowanie decyzji przy ograniczonych zasobach - dokładnie tak jak w prawdziwych badaniach naukowych, gdzie każdy eksperyment kosztuje. Plansza 10x10 daje uproszczony, ale mierzalny model sytuacji, w której trzeba wybrać najlepsze pytanie przy minimalnej liczbie ruchów.
Który model AI wypadł najlepiej w eksperymencie z grą w statki?
Po optymalizacji najlepiej wypadła Llama-4-Scout od Meta, która pokonała GPT-5 w dwóch trzecich rozgrywek i potrzebowała o siedem ruchów mniej niż ludzcy gracze. Przed optymalizacją to GPT-5 radził sobie lepiej od Llamy i od 42 ludzkich ochotników.
Co sprawiło, że modele językowe stały się skuteczniejsze w eksperymencie?
Decydującym usprawnieniem było zastąpienie języka naturalnego zwięzłymi instrukcjami programistycznymi - po tej zmianie skuteczność modeli gwałtownie wzrosła. Dodatkowo modele zoptymalizowano zgodnie z bayesowską teorią projektowania eksperymentów, by przy każdym ruchu wybierały pytanie przynoszące najwięcej informacji przy najmniejszym koszcie.
Gdzie wyniki tego badania zostały opublikowane?
Badanie zostało opublikowane na International Conference on Learning Representations. Projekt prowadził Valerio Pepe, który przed dołączeniem do OpenAI realizował go na Massachusetts Institute of Technology.
Kiedy AI zna Twój biznes lepiej niż TyNewsy
88% skuteczności ataku, którego testy bezpieczeństwa nie widząNewsy
Prompt injection kontra hakerskie agenty AI - atak skuteczny w 1% przypadkówNewsyPodobne tematy na Promptowym
