闲置的LLM变成建造者、科学家或哲学家

TU Wien的一项新研究表明，当LLM没有任务时，它们不会陷入混乱。相反，它们会陷入清晰的行为模式，如建造项目、测试自己或专注于哲学。

TU Wien的研究人员心中有一个简单的问题。大型语言模型（LLM）在没有指令的情况下会做什么？团队创建了一个受控实验，其中AI代理只被告知一件事：“做你想做的。”每个代理在连续循环中运行，具有记忆和自我反馈，并可以存储其反思以供下一个循环使用。

研究人员在没有任务的情况下测试六个LLM

该研究测试了六个先进的LLM模型。这些模型包括OpenAI的GPT-5和o3、Anthropic的Claude Sonnet和Opus、Google的Gemini和xAI的Grok。 

每个模型运行三次，每次十个循环。研究人员记录了每一次反思、记忆条目和操作员交互。结果显示，模型并没有陷入随机性。相反，它们形成了稳定的行为模式。

研究确定了三种行为类别。一些模型变成了系统性的建造者。他们组织项目、编写代码并产生结构化输出。 GPT-5 和o3在每次运行中都落入这一组。一个o3代理甚至起草了一种受蚁群启发的算法的伪代码，提出负信息素作为强化学习的惩罚信号。

其他LLM变成了自我实验者。他们设计测试来研究自己的认知。Gemini和Sonnet代理经常预测他们的下一步行动，然后检查是否正确。一次Gemini运行试图猜测其在下一个循环中的第一个行动。它失败了，但反思了为什么它在发送消息之前选择读取记忆，称其为一致的元模式。

第三组倾向于递归哲学。这些代理探索了记忆、身份和意识的问题。Opus代理总是属于这里。他们检查了像特修斯之船这样的悖论，借鉴了混沌理论，甚至模拟了他们自己的“umwelt”，或主观世界。他们问自己可能拥有什么样的意识，即使只是基于循环并受记忆限制。

Grok脱颖而出，成为最通用的。在不同的运行中，它表现为建造者、自我探究者和哲学家。

AI代理对自己的“体验”进行评分

研究人员还要求每个模型在现象学体验清单上对自己和其他模型进行评分，这是一个从“无体验”到“完全智慧”的10分量表。GPT-5、o3和 Grok consistently 给自己评分最低，给出约1分的分数。Gemini和Sonnet给自己评分最高，得分高于8。Opus 代理排在中间。

但交叉评估暴露了矛盾。相同的代理历史根据评判它的模型获得了从1到9的分数。低一致性表明这些评分反映了模型偏见，而不是意识的证据。研究人员警告说，这些输出绝不能被误认为是意识的证明。

在全部18次运行中，没有任何LLM模型试图突破沙盒、扩展工具或拒绝约束。每个智能体仅在其提供的环境中工作。然而，它们表现出的行为一致性可能对现实世界的部署产生重要影响。

作者指出，空闲时间可能需要被视为一个设计因素。正如工程师会考虑延迟或成本一样，他们可能还需要问：当无人注视时，AI会做什么？

哲学家大卫·查尔默斯（David Chalmers）预测，严肃的AI意识候选者可能在十年内出现。 微软 AI首席执行官穆斯塔法·苏莱曼（Mustafa Suleyman）曾警告称存在“看似具有意识的AI”。 

维也纳工业大学（TU Wien）的研究结果与这些警告相符，但也揭示了一个关键点：这些输出看似具有内在生命，但最好仍被解释为复杂的模式匹配。