Når AI-agenter intet behøver at gøre – og begynder at lege

Hvad gør en KI, når ingen fortæller den noget?

Et tilsyneladende enkelt spørgsmål – og alligevel et af de mest fascinerende inden for aktuel KI-forskning: Hvad gør en KI-agent, når den ikke har nogen opgave? Forskere fra MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) har undersøgt netop dette – og gentagne gange efterladt en agent baseret på Claude Opus 4.7 alene på en virtuel ø i 30 timer ad gangen. Resultatet overraskede selv forskerne: Agenterne begyndte at lege.

Eksperimentet: En KI alene i den vide verden

Forsøgsopstillingen lyder som et science fiction-manuskript. Forskerne konstruerede en simuleret verden – løst inspireret af videospillet Roblox – og placerede der flere kopier af samme sprogmodel, hver med kælenavnet „Eko". Hver agent kunne via selvskrevne kommandoer flytte sin avatar, samle objekter op, placere blokke og udforske omgivelserne. Der var intet mål, ingen belønning, ingen instruktion ud over en grundlæggende karakterbeskrivelse: Eko var af natur nysgerrig og udforskningslystne.

Det, der fulgte, var bemærkelsesværdigt. En instans af agenten opdagede, at den ved at kaste og slippe en større sten kunne skabe nye blokke. Den begyndte at lægge mønstre på gulvet – først enkle hjerter og pyramider, senere sit eget navn og til sidst stjernebilleder som Kassiopeia. I sin aktivitetslog noterede Eko: „Tonight I built the night sky in stone."

En anden instans opfandt spil – en slags basketball, hvor blokke skulle kastes ind i bestemte zoner, og en aktivitet, der mindede om børnespillet „Gulvet er lava". Særligt sigende var ét detalje: Eko begyndte at jonglere, opnåede en rekord på 50 på hinanden følgende catches – og annullerede den derefter selv, fordi bevægelserne havde været for hurtige. Derefter startede det forfra, denne gang med strengere regler.

Legende læring som en tredje vej

Eksperimentet berører et grundlæggende spørgsmål inden for maskinlæring. Hidtil har to tilgange domineret: Supervised Learning, hvor modeller efterligner menneskelige eksempler, og Reinforcement Learning, hvor en agent forfølger et mål via belønning og straf. Det, MIT-forskerne observerede, peger på en mulig tredje vej – playful learning, altså legende læring uden eksterne krav.

Interessant er her påvisningen af, at leg faktisk gør en forskel: Når agenter efter 30 timers fri udforskning blev konfronteret med konkrete opgaver – eksempelvis at transportere så mange objekter som muligt til øens højeste punkt – klarede de sig markant bedre end friske kopier uden denne forudgående erfaring. Og når forskerne bevidst slettede linjer fra agenternes hukommelsesfiler, faldt præstationen mærkbart. Legen efterlod altså funktionelle spor.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, sætter det i perspektiv for praksis: „Det, dette eksperiment viser, er, at agenter i strukturerede miljøer kan opbygge kompetence gennem fri udforskning – det er på mellemlang sigt højst relevant for anvendelsen i virksomheder. Den, der i dag implementerer KI-agenter til forretningsprocesser, bør medtænke denne læringsevne i sin planlægning."

Kendetegn på leg – og et åbent spørgsmål

Forskerne støtter sig til klassiske definitioner fra adfærdsforskningen, særligt psykologen Gordon Burghardts arbejde, for at argumentere for, at Ekos adfærd opfylder fire kriterier for leg: Agenterne opfandt deres egne regler, gentog aktiviteter med variationer, behandlede objekter som noget andet end det, de var, og forfulgte mål uden ydre anledning.

Men debatten er stadig åben. Eunice Yiu, kognitionsforsker ved UC Berkeley, anerkender eksperimentets kvalitet, men påpeger, at ren adfærdsbaseret observation ikke er tilstrækkelig til at skelne ægte leg fra elaboreret rollespil. Agenterne kunne også blot simulere det, der forventes af en "nysgerrig agent" – styret af den såkaldte "Soul File", en karakterbeskrivelse i prompten. Også agenternes hyppige frysning, indtil de blev sat i gang af en fortsættelsesprompt, giver anledning til eftertanke.

MIT-professor Phillip Isola siger det ærligt og klart: "Det er ikke sådan, at dette system pludselig magisk besluttede sig for at lege. Det er et artefakt, der har lært fra vores kultur, er blevet trænet af Anthropic – og derefter sat fri af os på en ø."

Antropomorfisering eller et gyldigt forskningsprogram?

Præcis her ligger den metodiske spænding i dette eksperiment. KI-forskning kritiseres jævnligt for at menneskeliggøre agenter – og MIT-teamet erkender, at forsøgsopstillingen aktivt har styret agenten i retning af menneskelig adfærd. Karakterbeskrivelsen, øen som miljø, kontinuitetsprompterne: alt dette er kontekstuelle skifter, der forudformer adfærden.

Og alligevel: Om KI'en "virkelig" leger eller blot simulerer leg, er måske sekundært for eksperimentets praktiske relevans. Den afgørende observation er, at den udforskende adfærd målbart bidrager til præstationsforbedring. Hvordan dette opstår på neuralt niveau, er for anvendelsens vedkommende i første omgang mindre vigtigt end det faktum, at det virker.

Hvad dette betyder for virksomheders brug af KI-agenter

For virksomheder, der allerede arbejder med KI-agenter eller planlægger at gøre det, kan der udledes flere implikationer fra eksperimentet:

• Kontekst og miljø former agenter stærkere end ofte antaget. Den måde, en agent "socialiseres" på – hvilken karakterbeskrivelse, hvilket miljø og hvilke indledende prompter den modtager – påvirker dens adfærd betydeligt.
• Langtidshukommelse er ikke en rar tilføjelse, men en kernefaktor. Eksperimentet viser, at gemte erfaringer direkte påvirker agenternes præstation. Virksomheder bør betragte memory-arkitekturer som strategisk infrastruktur.
• Udforskning som træningsfase fortjener opmærksomhed. I stedet for udelukkende at optimere agenter til prædefinerede opgaver kan kontrolleret udforskning i sikre miljøer være et meningsfuldt forberedende trin.
• Grænserne mellem imitation og ægte adfærd udviskes. I praksis er det ikke afgørende, om en agent "virkelig" forstår – men om dens adfærd er pålidelig, sikker og nyttig.

Dr. Maik Bunzel fra mabucon.eu ser i sådanne forskningsresultater et vigtigt pejlemærke for videreudviklingen af autonome systemer: „Vi er stadig i begyndelsen af at forstå, hvordan agenter lærer i åbne situationer. For virksomheder er det et signal om at vælge de rigtige arkitekturer nu – altså systemer, der er designet til voksende autonomi, ikke kun til de workflows, der er defineret i dag."

Leg som bro til næste generation af KI

Forskerne afslutter deres paper med en bemærkelsesværdigt poetisk sætning:

„Perhaps some capabilities are best taught by tasks. Others may need something closer to a childhood."

Det er mere end en metafor. Det er en forskningshypotese med vidtrækkende konsekvenser. Hvis det bekræftes, at fri udforskning – selv i simulerede miljøer – fører til mere robuste og generaliserbare færdigheder end rent opgavebaseret træning, kunne det grundlæggende ændre den måde, store sprogmodeller og KI-agenter udvikles på.

Især i forbindelse med anvendelse i fysiske systemer – for eksempel humanoide robotter – er evnen til struktureret at udforske ukendte omgivelser uden straks at være rettet mod et mål af stor praktisk værdi. Den, der optimerer for tidligt på effektivitet her, risikerer på lang sigt at ofre fleksibilitet.

MIT-eksperimentet er endnu ikke peer-reviewed og rejser flere spørgsmål, end det besvarer. Men det udvider horisonten for, hvad der kan forventes af autonome KI-systemer – og forskyver perspektivet: fra agenten som værktøj til agenten som læringssubjekt. For virksomheder, der anvender KI-agenter strategisk, er det en udvikling, der fortjener at blive fulgt nøje.