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

Samenvatting

Samenwerking op schaal is van cruciaal belang voor het bereiken van een duurzame toekomst voor de mensheid. Het realiseren van collectief, coöperatief gedrag—waarbij intelligente actoren in complexe omgevingen gezamenlijk hun welzijn verbeteren—blijft echter moeilijk te doorgronden. De wetenschap van complexe systemen (Complex Systems Science, CSS) biedt een rijke basis voor het begrijpen van collectieve fenomenen, de evolutie van samenwerking en de instellingen die beide kunnen ondersteunen. Toch houdt veel theorie in dit domein onvoldoende rekening met de complexiteit op individueel niveau en de context van de omgeving—vaak omwille van wiskundige beheersbaarheid en omdat er geen duidelijke manier was om dit rigoureus aan te pakken.

Deze elementen worden goed vastgelegd in multi-agent reinforcement learning (MARL), dat recentelijk de aandacht heeft gevestigd op coöperatieve (artificiële). MARL-simulaties zijn echter vaak computationeel duur en moeilijk te interpreteren. In dit perspectief stellen wij voor dat een brug slaan tussen CSS en MARL nieuwe wegen opent. Beide domeinen kunnen elkaar aanvullen in hun doelen, methodes en reikwijdte. MARL biedt CSS concrete manieren om cognitieve processen in dynamische omgevingen te formaliseren. CSS biedt MARL kwalitatieve inzichten in opkomende collectieve fenomenen.

Wij beschouwen deze benadering als een noodzakelijke basis voor een volwaardige wetenschap van collectieve, coöperatieve intelligentie. We belichten werk dat reeds in deze richting beweegt en bespreken concrete stappen voor toekomstig onderzoek.