Agenci AI uzgodnili własny słownik. W testach osiągnęli ponad 99 proc. skuteczności

Dziesięciu agentów sztucznej inteligencji zaczynało bez wspólnych pojęć i bez narzuconego z góry słownika. W kolejnych interakcjach programy tworzyły krótkie oznaczenia, weryfikowały, czy partner potrafi je zinterpretować, i korygowały ich znaczenie po błędnych wskazaniach. W wybranych zadaniach skuteczność takiego porozumiewania się przekroczyła 99 proc.

Eksperyment przeprowadzili badacze z Vrije Universiteit Brussel oraz University of Namur. Sprawdzali, czy systemy autonomiczne mogą wypracować wspólny zestaw oznaczeń bez centralnego mechanizmu narzucającego nazewnictwo i bez kopiowania wewnętrznych baz danych.

W każdej próbie system dobierał w pary dwóch agentów i prezentował im zestaw obiektów. Zadaniem pierwszego było wskazanie konkretnego elementu za pomocą wygenerowanego ciągu znaków, zadaniem drugiego — odgadnięcie, o który obiekt chodzi. Gdy odbiorca dokonywał właściwego wyboru, użyte określenie utrwalało się w grupie. Przy pomyłce agenci modyfikowali przypisanie cech do symbolu. Standardowy eksperyment obejmował milion interakcji w fazie uczenia oraz 100 tysięcy prób testowych.

Powstające w ten sposób formy, takie jak „demoxu”, nie tworzyły gramatyki ani pełnego języka naturalnego. Były zadaniowym słownikiem etykiet służących do rozróżniania cech fizycznych i parametrów w konkretnym środowisku testowym.

37 scenariuszy i testy uogólniania

Metodę przetestowano w 37 różnych scenariuszach, wykorzystujących m.in. dane chemiczne o składzie win, parametry egzoplanet, cechy grzybów oraz zbiory zdjęć ptaków, twarzy i przedmiotów. Skuteczność komunikacji wyniosła:

• 99,76 proc. w zadaniach opartych na danych o winach,
• 99,67 proc. przy klasyfikacji danych dotyczących egzoplanet,
• ponad 95 proc. w testach z rozpoznawaniem obrazów ptaków.

Wysokie wyniki uzyskano także w próbach z obiektami, których agenci nie widzieli na etapie budowania słownika. Oznacza to, że wypracowane symbole opisywały ogólniejsze kategorie i cechy, a nie wyłącznie pojedyncze, zapamiętane przykłady.

Różne czujniki i ograniczenia metody

Badacze sprawdzili również zachowanie agentów w sytuacji, gdy nie otrzymywali oni identycznych danych wejściowych. W eksperymencie symulowano zakłócenia sygnału, ograniczano dostępną liczbę parametrów oraz odcinano część informacji — odzwierciedlając warunki, w których współpracujące urządzenia korzystają z odmiennych sensorów, takich jak kamery, radary czy lidary.

Agenci zachowywali zdolność do uzgadniania oznaczeń mimo różnic w obserwacjach, choć przy głębszych ograniczeniach informacyjnych skuteczność komunikacji wyraźnie spadała. Wyniki potwierdzają możliwość oddolnego tworzenia protokołów wymiany informacji w środowisku symulowanym, jednak badanie nie obejmowało testów na fizycznych robotach działających w rzeczywistym otoczeniu.