AI gra w statki, żeby lepiej uprawiać naukę. Nowa metoda zadziwia skutecznością

👁 138 przeczytań

„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.

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.