Искусственный интеллект Claude научился «видеть сны», чтобы улучшать свою эффективность. Компания Anthropic разработала уникальную технологию, которая имитирует биологические процессы человеческого мозга во время отдыха. Когда модель не занята выполнением прямых запросов пользователя, она переходит в режим фоновой обработки данных: анализирует предыдущий опыт, структурирует знания и исправляет ошибки, которые были допущены ранее. Как сообщает издание Interesting Engineering, этот подход позволяет существенно повысить качество выполнения сложных задач без увеличения объема входных данных.
## Игровой опыт как мерило эволюции ИИ
Для проверки эффективности новой системы исследователи выбрали классическую видеоигру Pokémon Red. Этот выбор не является случайным: игровой процесс требует от ИИ не только реакции, но и стратегического планирования, ориентирования на местности и долговременной памяти. В эксперименте сравнивали две версии модели: Sonnet 3.7 и Claude Fable 5. Результаты продемонстрировали, что объем памяти не всегда коррелирует с ее качеством.
Модель Sonnet 3.7 действовала как «добросовестный архивариус» — она зафиксировала более 978 тысяч символов, разбросанных по 413 файлам. Несмотря на такую детальную фиксацию каждого шага, искусственный интеллект смог получить лишь один значок в игре. Напротив, Claude Fable 5 продемонстрировала значительно более высокую избирательность. Ее база знаний была в 20 раз меньше (около 43 тысяч символов), но значительно качественнее. Она сохраняла только критически важную информацию: эффективные стратегии, текущие цели и выводы из прошлых неудач. Благодаря такому подходу модель завоевала четыре значка, что свидетельствует о преимуществе смыслового обобщения над простым накоплением логов.
Особое внимание разработчики уделили способности ИИ к самокоррекции во время «сна». В одном из эпизодов Claude ошиблась с локацией центра покемонов у горы Луны. Это привело к логической петле: модель дезориентировалась и постоянно возвращалась назад. Однако во время следующей фоновой сессии ИИ сопоставил свои записи с реальным ходом игры, идентифицировал ложный воспоминание и исправил его. После этого Claude без усилий преодолела пещеру и добралась до следующего города, тогда как версия без механизма пересмотра ошибок так и осталась в тупике.
## От виртуальных миров до корпоративных массивов данных
Технология Anthropic выходит далеко за пределы игровых тестов. Ее потенциал испытали на гигантском массиве документов компании Stainless, который насчитывал 350 тысяч файлов и более 420 миллионов токенов. Для обычной языковой модели такой объем является непосильным из-за ограничений контекстного окна. Однако Claude, используя 128 сеансов фоновой обработки, смогла создать целостную базу знаний со сложной сетью внутренних ссылок.
Результаты поразили: точность ответов на сложные контрольные вопросы подскочила с начальных 13% до 48%. Когда же задача требовала синтеза информации из нескольких документов одновременно, система с использованием «базы снов» показала результат в 87% точности, тогда как традиционные методы поиска достигали лишь 73%.
Исторически проблема «забывчивости» или «галлюцинаций» ИИ была одной из главных преград для внедрения технологии в серьезный бизнес. Ранее разработчики пытались решить это через RAG (Retrieval-Augmented Generation) — внешний поиск информации. Однако подход Anthropic ближе к биологическому обучению: модель не просто ищет файл, она «понимает» структуру своих знаний.
В настоящее время инженеры Anthropic работают над тонкой настройкой баланса. Главным вызовом остается стоимость вычислений — процесс «осмысления» опыта требует значительных мощностей. Более того, существует риск «информационного перенасыщения», когда чрезмерное количество деталей начинает замедлять работу алгоритма. Цель разработчиков — научить ИИ самостоятельно решать, что является ценным опытом, который стоит запомнить, а что — лишь цифровым шумом, который следует игнорировать. Этот шаг может стать решающим на пути к созданию действительно автономных цифровых помощников, способных учиться непрерывно.
