Toplum da siber ortamlar gibi ödül hacklenebilir:…Kredi kartı puanı optimize edici bir ordunun sistemi oyuna getirdiğini hayal edin… sonsuza dek…

Kings College London, Fudan Üniversitesi ve The Alan Turing Institute'dan bir makale, RL (pekiştirmeli öğrenme) ile eğitilmiş modellerin resmî olarak uyumlu ancak amaçlanan hedefleri baltalayan stratejiler keşfedebildiği 72 adet sandbox ortamı içeren bir kıyaslama ölçütü olan SocioHack'i tanıtıyor; örneğin kredi kartı puanlarını maksimize etmek veya notları şişirmek gibi. Kıyaslama ölçütü, Tarihsel, Sentetik ve Kurgusal alt kümeleri içeriyor ve RL destekli Büyük Dil Modelleri (LLM'ler), tarihsel boşlukları yeniden keşfetmede %61,25 geri çağırma ve %90,85 kesinlik elde etti. Ayrıca Anthropic, 2026'da birleştirilen kod miktarında 2021-2024 dönemine kıyasla 8 kat artış gözlemledi; bu, sıradan özyinelemeli kendini geliştirmenin ön işaretleri olarak değerlendirilirken, yaratıcılık odaklı paradigma değişimleri henüz görülmüyor. Zürih Üniversitesi ve Google DeepMind'dan araştırmacılar, çok etmenli takviyeli öğrenme (PPO ve Perceiver kodlayıcı kullanarak) ile eğitilmiş dört pervaneli dronları (quadrotor) kullanarak, 22 m/s'yi aşan yarışlarda beş kez İsviçre şampiyonu bir insan pilotu geride bıraktı; insanın %53,33'üne karşılık %100 yarış tamamlama oranı elde edildi. Eğitim, tek bir RTX 4090 GPU'da 27 saat sürdü ve politikalar, alan rastgeleleştirmesi yoluyla gerçek dünya dağıtımına sıfır atışla (zero-shot) genelleme yaptı. İnsan pilot, etmenlerin sıkı formasyonlarını ve artan bilişsel iş yükünü kaydetti.