Piaci szabályokkal tanulnak együttműködni az AI-ügynökök

A koordinációt aukciók irányítják

A Kempner Institute 2026. augusztus 25-én ismertetett kutatása arra keresi a választ, hogy az AI-rendszerek nagyobb teljesítményt érhetnek-e el több, korlátozott képességű ügynök együttműködésével. Az Economy of Minds egy mesterséges piactér, ahol az ügynökök licitálnak arra, hogy egy feladat adott szakaszában cselekedhessenek.

A rendszerben virtuális pénz követi, hogy az egyes ügynökök mennyire hasznosak. Azok, amelyek hozzájárulnak egy feladat megoldásához, pénzt kapnak, és több lehetőséghez jutnak. A rendszeresen irreleváns vagy haszontalan lépéseket végrehajtó ügynökök pénzt veszítenek, végül pedig eltávolíthatják őket.

A kutatók szerint az árak ebben a környezetben jelzésként működnek. Azt mutatják, hogy egy adott helyzetben melyik ügynök rendelkezhet a leghasznosabb eszközökkel vagy képességekkel. A cél így nem a valódi gazdaság teljes lemásolása, hanem az információcsere és a specializáció támogatása.

A szerepek előre rögzítés nélkül alakulnak ki

Az Economy of Minds nem előre meghatározott munkafolyamatot követ. A kutatók nem osztanak ki minden ügynöknek állandó szerepet, és nincs szükség központi AI-vezérlőre sem, amely minden lépést irányít. A piaci szabályok alapján maga a rendszer alakítja ki, hogy az egyes szakaszokban mely ügynökök járuljanak hozzá a feladathoz.

A kutatás szerint a teljesítményjavulást nem önmagában az ügynökök számának növelése okozta. Amikor a kutatók eltávolították a piactér bizonyos elemeit, például az aukciós rendszert, a teljesítmény általában visszaesett. Ez arra utal, hogy az együttműködés megszervezése fontos része az eredménynek.

A rendszer kipróbálása során az ügynökök fokozatosan különböző szerepekre szakosodtak. A Harvard közleménye szerint a viszonylag egyszerű gazdasági szabályokból koordináció, munkamegosztás és specializáció alakult ki.

A matematikai teszten 15,9 százalékról 57 százalékra javultak

A kutatók eddig 10 és 17 AI-ügynökből álló, viszonylag kis csoportokat vizsgáltak. Az ügynökök meglévő nyelvi modelleket használtak, szerepüket nagyrészt utasítások, vagyis promptok határozták meg.

Egy matematikai feladatsoron a Llama 3.1 nyelvi modellre épülő, specializált ügynökökből álló csoport kezdetben 15,9 százalékos pontosságot ért el. A gyakorlófeladatokon végzett alkalmazkodás után ez az érték 57 százalékra nőtt. Az alkalmazkodott többügynökös rendszer eredménye meghaladta az ugyanarra a nyelvi modellre épülő, egyedül dolgozó ügynök 51,9 százalékos pontosságát.

A rendszert pénzügyi és tudományos kutatási feladatokon, számítógépes hardvertervezésben, valamint számítási rendszerek összehangolásában is tesztelték. A kutatók most nagyobb társadalmakon dolgoznának, amelyek összetettebb együttműködést és specializációt tehetnek lehetővé.

A kutatók nagyobb AI-társadalmakat vizsgálnának

A jövőbeli változatokban olyan ügynökök is megjelenhetnek, amelyek tapasztalatból fejlődnek, képeket dolgoznak fel, vagy a fizikai világgal lépnek kapcsolatba. A kutatócsoport három megközelítést akar összevetni azonos számítási keret mellett: egy erősebb modell betanítását, egyetlen modell több számításának biztosítását minden feladathoz, valamint a munkamegosztást nagyobb ügynökcsoporttal.

A kutatók egy későbbi lépésként olyan rendszert is elképzelnek, amelyben maguk az ügynökök értékelik a szabályokat, felismerik, mi segíti vagy akadályozza az együttműködést, és új szabályokat javasolnak. A jelenlegi eredmények azt vizsgálják, hogyan növelheti az AI-rendszerek képességeit a jobb szervezés az egyes modellek puszta erősítése mellett.