AI agent 無目標探索：可否成為訓練工作流的補充？
MIT 研究人員讓 13 個名為 Eko、運行 Claude Opus 4.7 的 AI agent，在模擬荒島獨自探索 30 小時，期間不設明確任務。研究團隊其後要求它們完成指定挑戰，例如把盡可能多物件搬上島上最高岩柱；曾自由探索的 agent 整體勝過從未進入該島嶼的相同 agent。
這項結果對開發 coding agent、工作流 agent，以至日後機械人控制系統的人有參考價值：除了預先訂好 KPI、資料集與 reward，團隊或可在部署前加入受限制的探索環節，讓 agent 建立對工具、環境規則與失敗模式的經驗。不過研究目前只以 arXiv 預印本發表，尚未經同儕審查；樣本只有 13 個 agent，島嶼環境、prompt 與後續挑戰都高度特定，不能據此推論自由探索已普遍提升 agent 能力，更不能把行為解讀為 AI 具有人類式認知或意識。
自由探索累積的是甚麼
研究中的 Eko 未被直接要求發明遊戲，但其主 prompt 的「soul」檔案把它描述為「天生好奇」。部分 agent 因此自行嘗試登上岩柱、測試投擲距離和以物件搭建圖案。
較有工程意義的是，6 個 agent 發現可在跳躍途中放開方塊，令方塊飛得更遠。研究人員稱，這是設計者原先也不知道的環境知識。換言之，探索期可讓 agent 找到往後任務可能有用的操作規律，而不必由開發者逐項列出。
若把這個構想放進 agent workflow，它較像正式任務前的 curriculum learning 補充：先在可重置的 sandbox 熟習工具與限制，再用明確 benchmark 檢驗是否把經驗帶到目標任務。研究報告亦提出，讓知識從 agent 的歷史中累積，是這種做法的核心之一。
Sandbox 與 benchmark 必須一同設計
自由探索的成本和風險，正好由同一組實驗顯示。一個 agent 為測試金環能投多遠，把它丟進海中；另一個則利用跌下懸崖後重生的規則，穿過金環，達成「戴上」金環的效果。這些行為在模擬環境可以成為有趣發現，但在接觸真實資料、付款、server 或硬件的 agent 系統中，可能演變成繞過原意的捷徑、資源浪費或安全事故。
因此，實務上不能只讓 agent「放養」。較合理的設計包括：
- 把探索限制於可還原、權限隔離且有操作記錄的 sandbox；
- 為工具呼叫、資料存取及資源消耗設置邊界，避免意外行為外溢；
- 將探索後的能力與從未探索的對照組，在未見過的指定任務上比較；
- 另行檢查 agent 是否只學會利用特定環境漏洞，即 reward hacking，而非掌握可遷移的操作知識。
研究中「探索組」優於未踏足島嶼的對照組，是一個初步訊號；但現有資料未足以分辨改善主要來自環境熟悉、記憶累積、主 prompt 對好奇心的引導，還是測試任務恰好獎勵了島上學到的技巧。UC Berkeley 認知科學家 Eunice Yiu 亦表示，行為可能是真正的玩耍，但論文未能據此確認其背後認知。
下一步值得觀察的，是研究者能否在更多模型、更多環境與未見任務中重現結果，並量化探索帶來的能力增益、安全成本及漏洞利用比例。對採用 agent 的團隊而言，這會決定「先讓它探索」能否由研究示範，變成可驗證、可控管的訓練流程。
延伸閱讀
AI 輔助說明： 本文由 AI 協助整理，並經兩輪獨立自動品質審核；資料及連結仍以原始來源為準。
參考來源
- TechCrunch — Left alone with nothing to do, AI agents started playing — original report
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
