Штучний інтелект Claude навчився «бачити сни», щоб покращувати власну ефективність. Компанія Anthropic розробила унікальну технологію, що імітує біологічні процеси людського мозку під час відпочинку. Коли модель не зайнята виконанням прямих запитів користувача, вона переходить у режим фонового опрацювання даних: аналізує попередній досвід, структурує знання та виправляє помилки, яких припустилася раніше. Як повідомляє видання Interesting Engineering, цей підхід дозволяє суттєво підвищити якість виконання складних завдань без збільшення обсягу вхідних даних.
## Ігровий досвід як мірило еволюції ШІ
Для перевірки ефективності нової системи дослідники обрали класичну відеогру Pokémon Red. Цей вибір не є випадковим: ігровий процес вимагає від ШІ не лише реакції, а й стратегічного планування, орієнтування на місцевості та довготривалої пам’яті. В експерименті порівнювали дві версії моделі: Sonnet 3.7 та Claude Fable 5. Результати продемонстрували, що обсяг пам’яті не завжди корелює з її якістю.
Модель Sonnet 3.7 діяла як «сумлінний архіваріус» — вона зафіксувала понад 978 тисяч символів, розкиданих по 413 файлах. Попри таку детальну фіксацію кожного кроку, штучний інтелект зміг здобути лише один значок у грі. Натомість Claude Fable 5 продемонструвала значно вищу вибірковість. Її база знань була в 20 разів меншою (близько 43 тисяч символів), проте значно якіснішою. Вона зберігала лише критично важливу інформацію: ефективні стратегії, поточні цілі та висновки з минулих невдач. Завдяки такому підходу модель виборола чотири значки, що свідчить про перевагу смислового узагальнення над простим накопиченням логів.
Особливу увагу розробники приділили здатності ШІ до самокорекції під час «сну». В одному з епізодів Claude помилилася з локацією центру покемонів біля гори Місяця. Це призвело до логічної петлі: модель дезорієнтувалася і постійно поверталася назад. Проте під час наступної фонової сесії ШІ зіставив свої записи з реальним перебігом гри, ідентифікував хибний спогад і виправив його. Після цього Claude без зусиль подолала печеру і дісталася наступного міста, тоді як версія без механізму перегляду помилок так і залишилася в глухому куті.
## Від віртуальних світів до корпоративних масивів даних
Технологія Anthropic виходить далеко за межі ігрових тестів. Її потенціал випробували на гігантському масиві документів компанії Stainless, який налічував 350 тисяч файлів та понад 420 мільйонів токенів. Для звичайної мовної моделі такий обсяг є непосильним через обмеження контекстного вікна. Проте Claude, використовуючи 128 сеансів фонової обробки, зуміла створити цілісну базу знань зі складною мережею внутрішніх посилань.
Результати вразили: точність відповідей на складні контрольні запитання підскочила з початкових 13% до 48%. Коли ж завдання вимагало синтезу інформації з декількох документів одночасно, система з використанням «бази снів» показала результат у 87% точності, тоді як традиційні методи пошуку досягали лише 73%.
Історично проблема «забудькуватості» або «галюцинацій» ШІ була однією з головних перешкод для впровадження технології в серйозний бізнес. Раніше розробники намагалися вирішити це через RAG (Retrieval-Augmented Generation) — зовнішній пошук інформації. Проте підхід Anthropic ближчий до біологічного навчання: модель не просто шукає файл, вона «розуміє» структуру своїх знань.
Нині інженери Anthropic працюють над тонким налаштуванням балансу. Головним викликом залишається вартість обчислень — процес «осмислення» досвіду потребує значних потужностей. Ба більше, існує ризик «інформаційного перенасичення», коли надмірна кількість деталей починає сповільнювати роботу алгоритму. Мета розробників — навчити ШІ самостійно вирішувати, що є цінним досвідом, який варто закарбувати в пам’яті, а що — лише цифровим шумом, який слід ігнорувати. Цей крок може стати вирішальним на шляху до створення справді автономних цифрових помічників, здатних вчитися безперервно.
