Auteurs

Wolfram Barfuss, Jessica Flack, Chaitanya S Gokhale, Lewis Hammond, Christian Hilbe, Edward Hughes, Joel Z Leibo, Tom Lenaerts, Naomi Leonard, Simon Levin, Udari Madhushani Sehwag, Alex McAvoy, Janusz M Meylahn, Fernando P Santos

Résumé

La coopération à grande échelle est essentielle pour atteindre un avenir durable pour l’humanité. Cependant, la réalisation d’un comportement collectif et coopératif—dans lequel des acteurs intelligents, évoluant dans des environnements complexes, améliorent conjointement leur bien-être—reste encore mal comprise.

La science des systèmes complexes (Complex Systems Science, CSS) offre une compréhension approfondie des phénomènes collectifs, de l’évolution de la coopération et des institutions capables de les soutenir. Pourtant, une grande partie de la théorie dans ce domaine néglige la complexité individuelle et le contexte environnemental, principalement pour des raisons de simplification et par manque de méthodes rigoureuses pour les intégrer.

Ces éléments sont bien capturés par l’apprentissage par renforcement multi-agents (Multiagent Reinforcement Learning, MARL), qui a récemment mis l’accent sur l’intelligence (artificielle) coopérative. Cependant, les simulations MARL classiques sont souvent coûteuses en calcul et difficiles à interpréter.

Dans cette perspective, nous proposons que le rapprochement entre CSS et MARL ouvre de nouvelles voies. Les deux domaines peuvent se compléter dans leurs objectifs, méthodes et portées respectives. Le MARL offre à la CSS des moyens concrets de formaliser les processus cognitifs dans des environnements dynamiques. La CSS, quant à elle, fournit au MARL une compréhension qualitative enrichie des phénomènes collectifs émergents.

Nous voyons dans cette approche les bases nécessaires à l’émergence d’une véritable science de l’intelligence collective coopérative. Nous mettons en lumière les travaux déjà engagés dans cette direction et discutons des étapes concrètes à suivre pour les recherches futures.