Naukowcy przyglądają się temu, jak nauczyć wiele sztucznych agentów współpracy poprzez sieci neuronowe grafów. Problem wydaje się banalny, ale stoi za nim niełatwa inżynieria - gdy masz kilka niezależnych systemów AI działających jednocześnie, muszą one jakoś się porozumiewać i koordynować swoje działania, aby wspólnie rozwiązać złożone zadania. Tradycyjne podejścia do uczenia maszynowego słabo sobie z tym radzą, zwłaszcza gdy liczba agentów się zmienia lub struktura ich interakcji jest dynamiczna.
Właśnie tu wkraczają sieci neuronowe grafów (GNN), które naturalnie modelują relacje między wieloma podmiotami. Zamiast traktować agentów jak oderwane od siebie byty, GNN reprezentuje je jako wierzchołki w grafie, gdzie krawędzie odpowiadają komunikacji i wpływom między nimi. Taka architektura pozwala każdemu agentowi na uczenie się, które informacje od którego sąsiada są ważne, a która część wiadomości może być zignorowana. Deep reinforcement learning dodaje do tego możliwość eksploracji i odkrywania optymalnych strategii współpracy poprzez próby i błędy - agent uczy się działać lepiej dzięki nagrodzie za dobre decyzje.
Podejście to otwiera drzwi do praktycznych zastosowań, od autonomicznych pojazdów jeżdżących w sformowaniu po roboty w magazynach koordynujące pracę czy drony pracujące w skupiskach. Przegląd badań w tej dziedzinie pokazuje, że wieloagentowe systemy mogą skalować się do dużych liczb cooperujących jednostek, co było dotychczas znaczącym wyzwaniem. To nie jest jednak ostatecznie rozwiązane - naukowcy nadal pracują nad problemami jak sprawdzalność komunikacji między agentami czy gwarancje bezpieczeństwa w systemach o wysokich stawkach.