Naukowcy odkryli fundamentalny próg strukturalny, który determinuje, kiedy systemy reinforcement learning ulegają kolapsowi podczas treningu w samogrze. Badanie pokazuje, że istnieje krytyczny punkt, poza którym agenty AI tracą zdolność do efektywnego podejmowania decyzji, co ma implikacje dla zrozumienia granic skalowania modeli. Odkrycie to jest ważne dla poprawy stabilności trenowania sztucznej inteligencji i unika katastrofalnych awarii w systemach samogrających.