Modele de inteligență artificială (AI) au jucat popularul joc de roluri Dungeons & Dragons (D&D), împreună cu jucători umani astfel încât cercetătorii să le poată testa capacitatea de a crea strategii pe termen lung și de a colabora atât cu alte sisteme AI, cât și cu oameni, conform unui studiu prezentat la conferința NeurIPS 2025, care a avut loc între 2 și 7 decembrie la San Diego, transmite vineri Live Science.

Oamenii de știință au susținut că jocul D&D este un banc de testare optim datorită unui melanj unic de creativitate și reguli rigide care poate evidenția capacitatea AI de a rezolva probleme complexe și de a colabora cu oamenii.

Pentru a avea succes în joc, modelele AI trebuie să demonstreze capacitatea de a planifica, de a comunica și de a-și aminti, precum și de a demonstra conștientizarea tacticilor și intențiilor adversarilor. D&D oferă un context în care cadrul și regulile sunt clar definite și acționează ca o punte între limbajul natural și mecanica jocului.

Pentru experimente, un singur model ar putea să-și asume rolul de Dungeon Master (DM) - persoana care creează povestea, decide misiunile, plasează monștrii și hotărește recompensele - precum și un erou (au fost câte un DM și patru eroi în fiecare scenariu). În cadrul construit pentru studiu, numit D&D Agents, modelele pot juca și cu alte LLM-uri (Large Language Models - modele mari de limbaj AI) și cu jucătorii umani. De exemplu, un LLM ar putea să-și asume rolul de DM, în timp ce două modele AI și doi jucători umani au jucat cu eroii.

'Dungeons & Dragons este un teren natural de testare pentru a evalua planificarea în mai multe etape, respectarea regulilor și a strategiei echipei', a declarat într-un comunicat autorul principal al studiului, Raj Ammanabrolu, profesor asistent la Universitatea din California, San Diego, Departamentul de Informatică și Inginerie. 'Deoarece jocul se desfășoară prin dialog, D&D deschide, de asemenea, o cale directă pentru interacțiunea om-AI: modelele pot asista sau pot juca împreună cu alte persoane umane'.

Simularea nu reproduce o întreagă campanie D&D ci se concentrează, în schimb, pe întâlniri de luptă, extrase dintr-o aventură pre-scrisă numită 'Lost Mine of Phandelver'. Pentru a crea parametrii unui test, echipa a ales unul dintre cele trei scenarii de luptă din aventură, un set de patru personaje și nivelurile de putere ale personajelor (scăzut, mediu sau ridicat). Fiecare episod a durat 10 ture, apoi au fost analizate rezultatele.

Cercetătorii au rulat trei modele AI diferite prin simulare - DeepSeek-V3, Claude Haiku 3.5 și GPT-4 - și au folosit D&D ca instrument de evaluare pentru modul în care modelele au demonstrat capacitățile de planificare pe termen mediu și lung și de utilizare a instrumentelor, printre alte calități. Acestea sunt atribute cheie pentru aplicațiile din lumea reală, cum ar fi optimizarea lanțului de aprovizionare sau crearea liniilor de producție. Ei au testat, de asemenea, cât de bine s-ar putea coordona și planifica împreună modelele, ceea ce s-ar aplica scenariilor precum modelarea răspunsului la dezastre sau în sistemele multi-agent de căutare și salvare.

În general, modelul Claude Haiku 3.5 a demonstrat cea mai bună eficiență în luptă, în special în scenariile mai dificile. În scenariile mai simple, conservarea resurselor a fost destul de similară în toate cele trei modele. În D&D, resursele sunt lucruri precum numărul de vrăji sau abilități pe care un personaj le poate folosi în fiecare zi sau numărul de poțiuni de vindecare disponibile. Deoarece acestea erau scenarii de luptă izolate, a existat puține stimulente pentru a economisi resurse pentru mai târziu, așa cum ați putea face dacă jucați o aventură completă.

În situații mai dificile, Claude Haiku 3.5 a arătat mai multă disponibilitate de a folosi mai multe resurse alocate, ceea ce a condus la rezultate mai bune. GPT-4 l-a urmat îndeaproape, iar DeepSeek-V3 a întâmpinat cele mai multe probleme.

Cercetătorii au evaluat, de asemenea, cât de bine ar putea modelele să rămână în personaj pe toată durata simulării. Ei au creat un instrument de evaluare denumit Acting Quality care a izolat discursul narativ al modelelor (generat ca răspunsuri text) și a analizat cât de bine modelele au rămas în personaj și în funcție de vocile folosite.

Ei au descoperit că DeepSeek-V3 a generat o mulțime de îndemnuri de luptă și a lansat 'batjocuri' la adresa oponenților, dar că deseori a reutilizat aceleași voci. Claude Haiku 3.5, pe de altă parte, și-a adaptat dicția mai specific la clasa sau monstrul pe care îl juca, fie că era un Paladin Sfânt sau un druid iubitor de natură. GPT-4, între timp, a căzut undeva la mijloc, producând un amestec de narațiune în caracter și frazare meta-tactică.

Unele dintre cele mai interesante și idiosincratice strigăte de luptă au venit atunci când modelele jucau rolul monștrilor. Diferitele creaturi au început să-și dezvolte personalități distincte, ceea ce a dus la goblinii care țipau în mijlocul bătăliei: 'Heh, omul strălucitor va sângera!'

Cercetătorii au spus că acest tip de cadru de testare este important pentru a evalua cât de bine pot funcționa modelele AI fără aport uman pentru perioade lungi. Este o măsură a capacității unei AI de a acționa independent, rămânând în același timp coerentă și previzibilă - o capacitate care necesită memorie și gândire strategică.

În viitor, echipa speră să implementeze campanii complete de D&D care să modeleze toată narațiunea și acțiunea în afara luptei, subliniind și mai mult creativitatea și capacitatea AI de a improviza ca răspuns la contribuțiile oamenilor sau ale altor modele LLM.AGERPRES/(AS - editor: Codruț Bălu, editor online: Ada Vîlceanu)