Naukowcy zaprezentowali CARL, system oparty na autotelic reinforcement learning, który zmienia podejście do badania automatów komórkowych i innych złożonych systemów. Zamiast tradycyjnego otwartopętlowego podejścia - ustawienia warunków początkowych i obserwacji wyniku - CARL działa w pętli zamkniętej, aktywnie interweniując w system poprzez minimalne zaburzenia lokalne. Agent autonomicznie próbuje różne cele i uczy się polityki warunkowanej celem, aby kontrolować samoorganizujące się struktury.
System został przetestowany na Lenii, ciągłym automacie komórkowym słynnym z życiopoodobnych wzorów samoorganizujących. CARL wykazał trzy kluczowe zdolności: najpierw odkrywał stabilne solitony w różnych regułach aktualizacji szybciej niż podejścia heurystyczne, następnie nauczył się sterować kierunkiem ruchu istniejących solitonów przy minimalnych interwencjach, co dowodzi, że może nie tylko tworzyć wzory, ale i nimi kierować. Trzecim osiągnięciem była możliwość współpracy z człowiekiem - użytkownik mógł w czasie rzeczywistym kierować solitonami przez labirynty, wydając wysokopoziomowe polecenia, które agent tłumaczył na konkretne zaburzenia systemu.
Co istotne, agenty trenowane na różnych celach, regułach i warunkach początkowych umiały generalizować zero-shot do sytuacji poza ich rozkładem treningowym. To sugeruje przyszłość sztucznych agentów-eksperymentatorów, które mogą autonomicznie lub z pomocą człowieka odkrywać i kontrolować zjawiska emergentne - otwierając nowe możliwości w badaniu złożonych systemów, od biologii do fizyki.