Суть эксперимента: игра The Mind
Команда исследователей во главе с Сиулином Яном (Xiulin Yang) из MIT провела сравнительный анализ социального взаимодействия людей и ИИ. В качестве полигона была выбрана кооперативная карточная игра The Mind. Правила игры требуют от игроков достижения общей цели (выкладывания карт в порядке возрастания) без какого-либо вербального или визуального общения. Единственный доступный сигнал — это время: длительность пауз перед ходом.
Задача участников — интуитивно синхронизировать свои действия, считывая намерения партнера по длительности его раздумий. Это сложная задача для динамической координации, где контекст меняется от раунда к раунду.
Методология и участники
В исследовании приняли участие 150 человек и два класса искусственных интеллектуальных систем:
- Стандартные LLM (текстовые модели, работающие через промпты).
- Computer-Use Agents (CUAs) — агенты, управляющие интерфейсом компьютера, имитирующие действия в реальном времени.
Ключевой вопрос заключался в том, могут ли ИИ-системы, не имеющие опыта непрерывного проживания времени, так же эффективно использовать временные маркеры для вывода ментального состояния партнера, как это делают люди.
Результаты: Бейесовский вывод против статичности
Анализ показал, что поведение людей и передовых ИИ-моделей в первом раунде лучше всего описывается Бейесовской стратегией. И люди, и модели успешно извлекают информацию о вере партнера (его намерении сыграть карту) из длительности паузы. Однако на этом сходство заканчивается.
Главное открытие исследования: ни одна из протестированных моделей не смогла эффективно адаптировать свое поведение к партнеру в ходе игры. В то время как люди учатся на предыдущих раундах, корректируя свои ожидания и тайминги, ИИ-агенты демонстрируют статичную реакцию, не накапливая социальный опыт в рамках одной сессии.
Значение для индустрии
Результаты подчеркивают фундаментальный разрыв в когнитивных способностях. Люди выполняют неявный вероятностный вывод о непрерывных временных сигналах в динамичной среде. Для ИИ-систем это создает новые вызовы: чтобы стать полноценными социальными партнерами, агентам необходимо научиться не просто реагировать на сигналы, но и адаптироваться к ним в реальном времени, обучаясь интерпретировать неявные маркеры в динамических сценариях.
Источник: arXiv cs.AI ↗
