Fünf Ws der Multi-Agent-Kommunikation: Wer, Was, Wann, Warum – MARL bis LLMs

In modernen autonomen Systemen – von selbstfahrenden Fahrzeugen bis hin zu kollaborativen KI-Assistenten – entscheidet die Fähigkeit mehrerer Agenten, gemeinsam zu handeln, über den Erfolg. Kommunikation ist dabei das Mittel, Unsicherheit zu verringern und Kooperation zu ermöglichen.

Eine aktuelle Übersicht untersucht die Multi-Agent-Kommunikation anhand der fünf grundlegenden Fragen: Wer spricht mit wem, was wird ausgetauscht, wann findet der Austausch statt, warum ist er nützlich und wie wird er gestaltet. Dieses strukturierte Vorgehen verbindet bislang getrennte Forschungsbereiche und schafft einen klaren Rahmen für die Analyse.

Im Bereich des Multi-Agenten-Reinforcement-Learnings (MARL) begannen Forscher mit handgefertigten oder impliziten Protokollen. Später wurden end-to-end lernbare Kommunikationssysteme entwickelt, die direkt auf Belohnung und Steuerung optimiert sind. Diese Ansätze erzielen oft gute Leistungen, bleiben jedoch stark auf spezifische Aufgaben zugeschnitten und sind schwer zu interpretieren.

Um die Grenzen dieser Methoden zu überwinden, wurde die Idee des Emergent Language (EL) verfolgt, bei der Agenten eigenständig strukturierte oder symbolische Kommunikationsformen entwickeln. EL-Systeme zeigen vielversprechende Ergebnisse, kämpfen jedoch weiterhin mit der Verankerung in der realen Welt, der Generalisierung auf neue Aufgaben und der Skalierbarkeit.

Die jüngste Forschung richtet sich nun auf große Sprachmodelle (LLMs), die natürliche Sprachvorwissen für Logik, Planung und Zusammenarbeit in offenen Umgebungen einbringen. LLMs bieten die Möglichkeit, robuste, interpretierbare und skalierbare Kommunikationsmechanismen zu schaffen, die über die bisherigen Paradigmen hinausgehen.

Die Analyse hebt die Hauptkompromisse zwischen den drei Paradigmen hervor, identifiziert praktische Designmuster und offenbart ungelöste Fragen. Ziel ist es, hybride Systeme zu fördern, die die Stärken von MARL, EL und LLMs kombinieren und damit die nächste Generation intelligenter, kooperativer Agenten vorantreiben.