Bumuo ang mga AI Agent ng Iisang Bokabularyo sa Isang Milyong Palitan, Nang Walang Iisang Diksyunaryo

Ginawang magkakaparehong kahulugan ng isang milyong palitan ang mga inimbentong salita

Sampung ahente ng artificial intelligence, na nagsimula nang walang bokabularyo, ang natutong tumukoy ng mga bagay para sa isa't isa nang may hanggang 99.76% tagumpay matapos ang isang milyong interaksiyon. Ito ang resulta ng mga eksperimento ng mga mananaliksik mula sa Vrije Universiteit Brussel (VUB) at University of Namur sa Belgium. Nabuo ang mga salita at kahulugan sa paulit-ulit na palitan, sa halip na sa pamamagitan ng diksyunaryong isinulat ng mga tao.

Sinubukan ng mga mananaliksik ang kanilang pamamaraan sa 37 pampublikong dataset, mula sa mga sukat ng kemikal sa alak at datos ng mga exoplanet ng NASA hanggang sa mga larawan ng ibon at mukha ng tao. Sa pitong dataset na itinampok, nasa 95.77% hanggang 99.76% ang tagumpay sa mga test interaksiyon.

Ang pangunahing nagawa ay ang pagkakasundo kung paano tutukuyin ang mga bagay. Pinanatili ng bawat ahente ang sarili nitong ugnayan sa pagitan ng mga inimbentong salita at ng mga naobserbahang katangian. Sa pamamagitan ng feedback, naging sapat ang pagkakatugma ng mga indibidwal na ugnayang ito para makapag-usap ang grupo, kahit magkakaiba ang pag-unawa ng mga miyembro sa kanilang kapaligiran.

Inilalarawan sa papel ng pananaliksik, na pinamagatang Emergent Communication in Continuous Worlds: Self-Organisation of Conceptually Grounded Vocabularies at Scale, ang mga eksperimento sa computer simulation. Gumamit ang mga ahente ng numerikal na representasyon ng mga bagay at larawan. Kabilang sa mga posibleng aplikasyon ng pamamaraang ito na tinukoy ng mga mananaliksik ang mga robot, autonomous na sasakyan at industriyal na sensor.

Paano nagiging kapaki-pakinabang ang isang salita

Dalawang ahente ang lumalahok sa bawat palitan. Nagiging tagapagsalita ang isa at tagapakinig ang isa pa; muling itinatalaga ang mga papel habang nagpapatuloy ang mga interaksiyon. Pareho silang nakakakita ng tagpong may ilang entidad, ngunit ang tagapagsalita lamang ang sinasabihan kung aling entidad ang target.

Kailangang pumili ang tagapagsalita ng salitang tutulong sa tagapakinig na piliin ang target na iyon. Kung walang angkop na salita sa bokabularyo nito, nag-iimbento ito ng bago. Gumagamit ang papel ng mga arbitraryong salitang may tatlong pantig, gaya ng "demoxu", kaya walang likas na kahulugang dala ang mismong katawagan.

Inihahambing ng tagapakinig ang salita sa sarili nitong nakaimbak na mga konsepto at pumipili ng entidad. Parehong nakatatanggap ng feedback ang dalawang ahente kung tama ang napili. Kapag nagkamali, ipinakikita sa tagapakinig ang target upang magkaroon ito ng impormasyong magagamit sa pagrebisa ng pagkaunawa nito.

Itinakda ng mga mananaliksik ang mga pamamaraan sa pag-imbento ng salita, pagrepresenta ng mga konsepto at pagkatuto mula sa mga kinalabasan. Nabuo sa mismong interaksiyon ang partikular na bokabularyo at ang mga kategoryang iniugnay rito. Pinatitibay ng matagumpay na mga palitan ang mga kapaki-pakinabang na ugnayan, habang binabago naman ng mga susunod na karanasan ang mga konseptong nakaugnay sa mga salita.

Inilarawan ni Katrien Beuls, propesor sa University of Namur at kapwa may-akda ng pag-aaral, kung paano nagdudulot ng pagkakasundo sa buong pangkat ang mga lokal na palitan, sa anunsiyo ng unibersidad:

Kamangha-mangha na walang sentral na computer na nagpapataw ng mga tuntunin. Sa bawat pagkakataon, hinahayaan naming mag-usap ang dalawang ahente sa lokal na antas. Sa pamamagitan lamang ng mga indibidwal na interaksiyon at pag-update na ito kusang nabubuo ang isang pangkalahatang kumbensiyon sa buong pangkat.

Ano ang iniimbak ng mga ahente bilang kahulugan

Dumarating sa isang ahente ang bawat entidad bilang feature vector, isang talaan ng mga halagang naglalarawan sa mga katangian nito. Halimbawa, maaaring katawanin ang sample ng alak sa pamamagitan ng mga sukat ng kemikal. Maaari namang katawanin ang isang larawan sa pamamagitan ng mga numerikal na feature na hinango ng isang vision system.

Nakaugnay ang isang salita sa isang konseptuwal na prototype: matematikal na paglalarawan ng mga uri ng obserbasyong angkop dito. Itinatala ng prototype ang karaniwang mga halaga, kung gaano nag-iiba-iba ang mga ito, at kung aling mga feature ang pinakamahalaga. Dahil dito, natataya ng ahente kung gaano kalapit ang isang bagong nakitang entidad sa pamilyar na salita.

Mahalaga rin ang konteksto. Naghahanap ang tagapagsalita ng salitang mas angkop ang konsepto sa target kaysa sa iba pang entidad sa tagpo. Kaya nakatutulong ang isang salita na maiba ang isang bagay sa mga agarang alternatibo nito, sa halip na basta magtakda ng permanenteng katawagan para sa bawat bagay.

Pribadong pinananatili ng mga ahente ang mga representasyong ito. Wala silang access sa panloob na mga setting ng isa't isa o sa isang sentral na knowledge base. Nabubuo ang magkakabahaging komunikasyon dahil gumagabay ang kanilang mga salita sa magkakatugmang pagpili, habang nakatali pa rin sa sarili nilang mga obserbasyon ang mga indibidwal na representasyon.

Para sa mga dataset ng larawan, gumamit ang mga mananaliksik ng mga feature na may 384 na dimensiyon mula sa DINOv2, isang umiiral na vision encoder. Ginagawang numerikal na paglalarawan ng vision encoder ang larawan upang maproseso ito ng ibang software. Sa mga paglalarawang iyon isinagawa ang pagkatuto ng bokabularyo.

Gaano kabisa ang magkakabahaging bokabularyo?

Sa karaniwang mga eksperimento, sinanay ang mga pangkat ng 10 ahente sa loob ng isang milyong interaksiyon. Pagkatapos, sinuri ng mga mananaliksik ang komunikasyon sa 100,000 test interaksiyon, kabilang ang mga entidad na hindi isinama sa pagsasanay, at kinuha ang average ng mga resulta mula sa 10 magkakahiwalay na takbo.

Ipinakikita ng pitong resultang itinampok kapwa ang bisa ng pamamaraan at ang pagkakaiba-iba ng mga gawain:

• CLEVR, dataset tungkol sa mga katangiang biswal ng mga bagay: 99.76% tagumpay sa komunikasyon.
• Datos ng pagsusuri sa alak: 99.76%.
• Datos ng mga exoplanet: 99.67%.
• Datos ng kabute: 98.10%.
• Datos ng larawan ng MS COCO: 95.77%.
• Mga larawan ng mukha mula sa CelebA: 96.66%.
• Mga larawan ng ibon: 95.88%.

Sinusukat ng mga porsiyentong ito kung gaano kadalas napili ng tagapakinig ang nilalayong entidad. Sa mga gawain tungkol sa alak at CLEVR, katumbas ng 99.76% ang humigit-kumulang 24 na hindi matagumpay na palitan sa bawat 10,000 test interaksiyon. Para naman sa MS COCO, katumbas ng 95.77% ang humigit-kumulang 423 sa bawat 10,000.

May agwat na 3.99 na puntos-porsiyento sa pagitan ng mga resultang iyon. Nananatiling mataas ang tagumpay sa komunikasyon sa mga itinampok na gawain, ngunit mas maraming pagkakamali ang naitala sa mga natural na dataset ng larawan kaysa sa mga gawain tungkol sa alak at mga exoplanet.

Sinukat din ng pangkat ang laki ng bokabularyo at pagkakasundo sa kumbensiyon, na sumusubaybay kung gaano kapare-pareho ang paggamit ng mga ahente sa mga salita. Magkakaibang bahagi ng proseso ang tinutugunan ng mga sukat na ito: kailangan ng isang pangkat kapwa ng magagamit na hanay ng mga katawagan at sapat na pagkakasundo sa paggamit ng mga ito upang mapagkakatiwalaang matukoy ang mga target.

Nakakamit pa rin ang pagkakasundo kahit magkakaiba ang mga sensor

Bihirang magmasid ang mga makina sa mundo sa eksaktong magkaparehong paraan. Maaaring magkaiba ang pagkakalibrate ng mga sensor, maaaring may ingay ang mga pagbasa, at maaaring may matukoy ang isang aparato na hindi kayang makita ng iba. Sinubukan sa pag-aaral ang mga baryasyon sa mga kundisyong ito.

Ipinaliwanag ni Paul Van Eecke, propesor ng artificial intelligence sa VUB at kapwa may-akda ng pag-aaral, ang layunin nito sa pamamagitan ng halimbawa ng mga taong tumutukoy sa pulang kotse. Nauunawaan ng mga tao ang iisang paglalarawan kahit bahagyang magkakaiba ang mga halagang pangkulay na nakikita ng kanilang mga mata. Higit sa mga indibidwal na pagbasa ang saklaw ng magkakabahaging salita.

Inangkop ng mga eksperimento ang ideyang iyon sa mga artipisyal na ahente sa pamamagitan ng pagbabago sa kanilang mga obserbasyon. Kabilang dito ang mga numerikal na paglihis na kahawig ng pagkakaiba sa pagkakalibrate, ingay sa mga naobserbahang halaga, at mga pangkat na magkakaiba ang mga available na feature.

Sa mga eksperimento sa CLEVR na may matinding ingay, 87.67% ang tagumpay sa komunikasyon. Sa kundisyong mas malaki ang pagkakaiba sa mga available na sensor, 83.47% ang tagumpay. Napanatili ng pamamaraan ang malaking kakayahang mag-ugnayan sa mga kundisyong ito, bagaman mas mababa ang katumpakan kaysa sa karaniwang eksperimento sa CLEVR.

Tinatawag sa papel na heteromorphic ang mga pangkat na magkakaiba ang estruktura ng persepsiyon. Sa madaling salita, magkakaiba ang uri o dami ng impormasyong natatanggap ng kanilang mga miyembro. Kailangang makabuo sila ng magkakatugmang pagtukoy sa kabila ng mga pagkakaibang ito, gamit ang mga obserbasyong naaabot ng bawat miyembro.

Nagbabago ang bokabularyo kapag nawawala ang ilang input

Sinubukan din ng mga mananaliksik ang biglaang pagkawala ng impormasyon habang nagaganap ang pagkatuto. Sa isang eksperimento, inalis sa kalagitnaan ng proseso ang kalahati ng mga input na kumakatawan sa mga pagbasa ng sensor. Umabot sa 93.82% ang tagumpay sa komunikasyon matapos ang pagbabagong iyon.

Binibigyan ng tuloy-tuloy na interaksiyon ang mga ahente ng pagkakataong baguhin ang kanilang mga konsepto habang nag-iiba ang mga kundisyon. Maaaring magamit sa ibang paraan ang salitang nakaugnay sa ilang feature kapag nawala ang ilan sa mga ito at naging mas mahalaga ang natitirang mga obserbasyon.

Iniulat din sa papel ang pag-angkop sa mga pagbabago sa kapaligiran. Dahil dito, mahalagang bahagi ng pamamaraan ang patuloy na pagkatuto: bumubuo ang pangkat ng kumbensiyon sa pamamagitan ng paggamit at patuloy itong inaangkop habang nagbabago ang mga obserbasyon nito.

Mahalaga ang kakayahang ito para sa mga sistemang pangmakina sa hinaharap kapag nasisira ang kagamitan o nagbabago ang mga kondisyon ng operasyon. Sa kasalukuyan, ipinakikita ng eksperimento na kayang baguhin ng mga ahente ang kanilang bokabularyo sa loob ng mga gawaing ginaya sa simulation.

Mas maraming palitan ang kailangan ng mas malalaking pangkat

Sinuri sa pag-aaral ang mga pangkat na may 2, 10, 25, 50 at 100 ahente. Kapag lumalaki ang pangkat, kailangang mas malawak na maipakalat ang bawat kapaki-pakinabang na salita dahil pares-pares pa ring nagaganap ang mga palitan.

Sa mga eksperimento sa CLEVR na may 100 ahente, umabot sa 92.69% ang tagumpay sa komunikasyon matapos ang isang milyong interaksiyon. Nang pahabain ang pagsasanay sa 10 milyong interaksiyon, tumaas ito sa 99.16%, o dagdag na 6.47 puntos-porsiyento.

Nakatutulong ang bilang ng mga interaksiyon upang maunawaan ang laki ng hamong ito. Kung pantay-pantay ang paglahok, nagbibigay ang isang milyong palitan na may tig-dalawang kalahok ng average na 200,000 paglahok kada ahente sa pangkat na may 10 miyembro. Sa pangkat na may 100, 20,000 paglahok kada ahente lamang ang naibibigay ng gayon ding dami ng palitan.

Sa 10 milyong palitan, bumabalik sa 200,000 paglahok kada miyembro ang average para sa pangkat na may 100 ahente. Random na pinipili ang mga indibidwal na pagtatagpo, ngunit ipinakikita ng paghahambing na maaaring mangailangan ang mas malaking pangkat ng mas malaking kabuuang badyet sa pagkatuto upang maipalaganap ang mga kumbensiyon nito.

Maaaring suriin ng mga tao kung ano ang tinutukoy ng isang salita

Itinuturing ng mga mananaliksik na bentahe ng kanilang disenyo ang pagiging madaling maunawaan. Tumutukoy ang isang salita sa prototype na maaaring suriin batay sa mga halaga at bigat ng mga feature nito. Maaaring subaybayan ng mga mananaliksik kung aling mga obserbasyon ang tumulong sa pagbuo ng konsepto at kung paano nagbabago ang representasyon nito sa paggamit.

Para sa dataset na may pinangalanang mga sukat ng kemikal, maaaring iugnay sa partikular na mga saklaw ng mga sukat na iyon ang isang salita sa pamamagitan ng pagsusuri. Sa datos ng larawan, nakaugnay ang konsepto sa mga feature na inililikha ng vision encoder, kaya kabilang din sa pagpapaliwanag ng kahulugan nito ang pag-unawa sa mga numerikal na representasyong ito ng larawan.

Inilarawan ni Jérôme Botoko Ekila, doktoral na mananaliksik sa Artificial Intelligence Laboratory ng VUB at kapwa may-akda ng pag-aaral, ang layunin ng pagpapahintulot sa mga ahente na bumuo ng mga konseptong nakabatay sa sarili nilang persepsiyon:

Bumubuo sila ng mabibisang konseptong eksaktong tumutugma sa mga nakikita nila sa pamamagitan ng kanilang mga sensor, kahit hindi maunawaan ng mga tao ang datos.

Kabilang sa pangangasiwa ng tao ang pagsusuri sa mga ugnayang ito habang nabubuo ang mga ito. Isang kapaki-pakinabang na pagsusuri kung patuloy na napipili ng dalawang ahente ang nilalayong entidad kapag ginagamit nila ang iisang salita, kahit magbago ang kanilang mga input o kapaligiran. Mahalaga sa pagkatuto ang ugnayang ito dahil sentro ito ng mekanismo ng feedback sa pag-aaral.

Publikasyon, pagtutulungan at mga posibleng gamit

Kabilang sa mga bumuo ng pag-aaral sina Jérôme Botoko Ekila, Lara Verheyen, Jens Nevens at Paul Van Eecke mula sa VUB, at Katrien Beuls mula sa University of Namur. Pinondohan ito ng Research Foundation Flanders (FWO) at ng Belgian National Research Fund (FNRS) sa pamamagitan ng proyektong WEAVE.

Tinutukoy sa talaan ng publikasyon ng VUB ang journal bilang Transactions of the Association for Computational Linguistics, tomo 14, pahina 2234–2257, na may DOI na 10.1162/TACL.a.799. Nakasaad dito na inilathala ito noong Agosto 2026.

Sumunod sa ganitong pagkakasunod-sunod ang publikasyon at anunsiyo:

• Abril 2026: Isinumite ang papel.
• Mayo 2026: Binago ang papel.
• Agosto 2026: Nakasaad sa talaan ng publikasyon ng unibersidad ang pagkalathala nito sa journal.
• Oktubre 14, 2026: Inilahad sa anunsiyo ng unibersidad ang mga natuklasan.

Kabilang sa mga posibleng gagamit ng komunikasyong iniangkop sa persepsiyon ng mga makina, ayon sa mga mananaliksik, ang mga autonomous na sasakyan, robot at industriyal na sensor. Sinusukat ng lidar ang distansiya gamit ang liwanag, tunog naman ang ginagamit ng sonar, tinutukoy ng mga infrared sensor ang radyasyong may kaugnayan sa temperatura, at sumusukat ng mga substansiya ang mga instrumentong kemikal. Makakatulong ang magkakabahaging bokabularyo sa pagtukoy ng mga makina sa mga kapaki-pakinabang na padron sa iba't ibang input na ito.

Ang susunod na praktikal na hakbang ay subukan kung paano gumagana ang mga kumbensiyong ito sa aktuwal na kagamitan, pabago-bagong kapaligiran at mga pangangailangan sa operasyon. Walang ibinigay na iskedyul para sa paglalapat nito. Sa ngayon, ang resulta ay isang sinubukang pamamaraan sa pagbuo ng magkakabahaging pagtukoy sa magkakaibang datos, na may nasusukat na bisa sa gitna ng ingay, pagkakaiba sa persepsiyon at pagkawala ng mga input.

Mahahalagang Punto

• Sinubukan ng mga mananaliksik mula sa VUB at University of Namur ang pagbuo ng bokabularyo sa 37 pampublikong dataset.
• Sinanay ang mga pangkat ng 10 ahente sa pamamagitan ng isang milyong interaksiyon, at sumailalim ang mga ito sa 100,000 test interaksiyon.
• Nasa 95.77% hanggang 99.76% ang tagumpay sa pitong itinampok na dataset.
• Ang mga pamamaraan sa pagkatuto ang itinakda ng mga mananaliksik; ang mga ahente naman ang bumuo ng mga partikular na salita at kaugnay na konsepto sa pamamagitan ng feedback.
• Sinubok sa mga eksperimento ang pag-angkop sa maingay na mga obserbasyon, magkakaibang estruktura ng persepsiyon at nawawalang mga input.
• Umabot sa 99.16% ang tagumpay ng pangkat na may 100 ahente sa CLEVR matapos ang 10 milyong interaksiyon.
• Gumamit ang pag-aaral ng mga computer simulation. Iminungkahing posibleng aplikasyon ang mga robot, sasakyan at industriyal na sensor.