Forskere har udviklet en AI-agent, der ikke blot observerer komplekse systemer, men aktivt griber ind og styrer dem. Metoden, beskrevet i et nyt arXiv-paper, kaldes 'The Artificial Experimentalist' og bygger på autotelisk reinforcement learning – en tilgang, hvor agenten selv sætter mål og lærer at opnå dem gennem minimal, lokal påvirkning.
Systemet, kaldet CARL, er testet på Lenia, en kontinuert cellulær automat kendt for livagtige, selvorganiserende mønstre. CARL demonstrerer tre evner: det opdager stabile solitoner (bølgelignende strukturer) på tværs af mange Lenia-regler, det kan styre bevægelsesretningen af eksisterende solitoner med få indgreb, og mennesker kan i realtid guide solitoner gennem labyrinter ved at give højniveau-kommandoer, som agenten oversætter til lavniveau-interventioner.
Det interessante er, at agenten trænes på diverse mål, regler og tilfældige starttilstande, og at den generaliserer zero-shot til nye, ukendte forhold. Det betyder, at den kan håndtere situationer, den ikke har set under træning, hvilket er afgørende for brug i virkelige komplekse systemer.
For beslutningstagere er potentialet stort: Autoteliske agenter som CARL kan blive 'kunstige eksperimentatorer', der autonomt eller med menneskelig vejledning udforsker og kontrollerer emergente fænomener – fra biologiske systemer til materialevidenskab og økonomiske modeller. Evnen til at intervenere undervejs i en simulation, i stedet for kun at sætte startbetingelser, kan accelerere videnskabelige opdagelser og give ny indsigt i, hvordan komplekse systemer kan styres.
