🧬 biology

Cognitive Models and AI Algorithms Provide Templates for Designing Language Agents

Dit position paper pleit ervoor dat cognitieve modellen en AI-algoritmen als blauwdrukken kunnen dienen voor het ontwerpen van modulaire taalagenten, waarbij meerdere LLM's effectief worden gecombineerd tot een groter geheel.

Oorspronkelijke auteurs: Ryan Liu, Dilip Arumugam, Cedegao E. Zhang, Sean Escola, Xaq Pitkow, Thomas L. Griffiths

Gepubliceerd 2026-02-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ryan Liu, Dilip Arumugam, Cedegao E. Zhang, Sean Escola, Xaq Pitkow, Thomas L. Griffiths

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Titel: Bouwplannen voor slimme taalrobots: Waarom we oude ideeën opnieuw moeten gebruiken

Stel je voor dat je een enorme legpuzzel hebt. De stukjes zijn LLMs (grote taalmodellen zoals ChatGPT). Die stukjes zijn op zichzelf al heel slim en kunnen prachtige zinnen maken. Maar als je ze zomaar op een hoop gooit, krijg je geen compleet plaatje. Je krijgt misschien een rommelige hoop puzzelstukken die niet samenwerken.

De vraag is: Hoe bouw je een perfecte machine uit deze losse stukjes?

Dit paper van Ryan Liu en zijn collega's geeft een heel simpel, maar krachtig antwoord: Kijk naar de oude bouwplannen.

De Grote Ideeën

De auteurs zeggen: "Wacht even, we hoeven niet het wiel opnieuw uit te vinden." In de wereld van de psychologie (hoe mensen denken) en de oude kunstmatige intelligentie (AI-algoritmen) bestaan er al eeuwenlang bewezen methoden om complexe problemen op te lossen.

In plaats van te raden welke robot-architectuur werkt, kunnen we blauwdrukken (templates) gebruiken die al bestaan. Het is alsof je een huis wilt bouwen. Je kunt proberen om muren en ramen willekeurig te plaatsen, of je kunt kijken naar de bewezen bouwplannen van architecten uit het verleden.

Hier zijn de drie belangrijkste manieren waarop ze dit uitleggen, met een paar creatieve vergelijkingen:

1. De "Gedachtenkrant" (Cognitieve Modellen)

Mensen zijn experts in communiceren, plannen en redeneren. Wetenschappers hebben al decennia lang bestudeerd hoe ons brein dit doet.

Vergelijking: Stel je voor dat je een toneelstuk wilt schrijven. Je kunt proberen om acteurs zomaar zinnen te laten zeggen, maar het werkt beter als je kijkt naar hoe echte mensen praten.
Het voorbeeld: Als een AI een gesprek moet voeren, kunnen we kijken naar hoe mensen "in elkaars schoenen staan" (theorie van de geest). In plaats van dat de AI gewoon een antwoord geeft, laten we de AI eerst nadenken: "Wat denkt de ander dat ik ga zeggen?" en "Hoe zal diegene reageren?". Dit is een bewezen manier van denken die we nu in de software gieten.

2. De "Scheikundige Formule" (AI-Algoritmen)

Oude computerwetenschappers hebben al slimme manieren bedacht om door een doolhof te lopen of de beste route te vinden.

Vergelijking: Stel je voor dat je in een gigantisch bos bent en een schat moet vinden. Je kunt zomaar rondlopen (willekeurig proberen), maar dat duurt eeuwen.
De oplossing: Gebruik een zoekalgoritme. Denk aan een boomstructuur. Je kijkt naar de eerste tak, beslist of die beloftevol is, en gaat dan pas dieper.
Toepassing: De auteurs laten zien dat we deze oude "zoek-methoden" (zoals Tree of Thoughts) kunnen gebruiken als een recept voor onze AI. De AI splitst een groot probleem op in kleine takjes, bekijkt ze één voor één, en kiest de beste weg. Het is alsof je een GPS gebruikt in plaats van blindelings het bos in te rennen.

3. De "Leermeester" (Versterkend Leren)

Soms moet een AI iets leren door te proberen en fouten te maken, net als een kind dat fietsen leert.

Vergelijking: Stel je voor dat je een robot wilt leren om een pakketje te bezorgen in een nieuw gebouw. De robot weet niet welke deur de juiste is.
De oplossing: Er zijn slimme wiskundige methoden (zoals Posterior Sampling) die zeggen: "Probeer eerst de deur die waarschijnlijk goed is, maar maak soms ook een foutje om te leren welke deur niet goed is." Dit voorkomt dat de robot vastloopt in een patroon. De auteurs laten zien dat we deze wiskundige regels kunnen vertalen naar instructies voor de AI.

Waarom is dit belangrijk?

Vroeger bouwden mensen AI-systemen vaak door te "gokken" of door te proberen wat er werkte (probeer-en-fout). Dat is als proberen om een auto te bouwen door onderdelen van verschillende auto's op elkaar te stapelen en te hopen dat het rijdt.

Dit paper zegt: Stop met gokken.
Gebruik de blauwdrukken die wetenschappers al hebben ontworpen voor het menselijk brein en voor slimme computers.

Betere resultaten: Het werkt sneller en beter.
Begrijpelijk: Als je een AI bouwt op basis van een bekend psychologisch model, kun je precies uitleggen waarom de AI zo reageerde. Het is geen zwarte doos meer; het is een machine met een duidelijk plan.
Veiligheid: In belangrijke situaties (zoals in de zorg of bij juridische zaken) is het gevaarlijk om AI-systemen te gebruiken die willekeurig zijn. Met deze blauwdrukken weten we wat we krijgen.

Conclusie

De boodschap van dit paper is simpel: De toekomst van slimme AI-robots ligt in het verleden.

We hoeven niet te wachten tot de AI zelf op een geniale oplossing komt. We kunnen gewoon kijken naar hoe mensen denken, hoe we in het verleden doolhoven hebben opgelost, en die bewezen methoden gebruiken als bouwplannen voor onze nieuwe, digitale helpers. Het is alsof we de wijsheid van de eeuwen gebruiken om de robots van morgen te bouwen.

Probleemstelling

Hoewel grote taalmodellen (LLM's) op zichzelf steeds capabeler worden, blijven er complexe taken bestaan die de grenzen van een enkel LLM overschrijden. Voor deze taken is het noodzakelijk om meerdere LLM's te combineren tot een modulair "taalagent" (language agent). Een groot probleem in dit veld is echter de ontwerprichting: er is veel onzekerheid over hoe men deze agenten het beste kan ontwerpen.

De zoekruimte voor mogelijke architecturen is enorm, waardoor brute-force exploratie onhaalbaar is.
Succesvolle ontwerpen lijken vaak willekeurig of gebaseerd op "folk intuition" (volksintuïtie) in plaats van op een solide theoretisch fundament.
In hoog-risico omgevingen (zoals gezondheidszorg) ontbreekt vaak de data en de middelen om uitgebreid te experimenteren met verschillende ontwerpen.
Er is behoefte aan effectieve heuristieken die leiden tot interpreteerbare en betrouwbare agent-architecturen.

Methodologie

De auteurs stellen een position paper voor waarin ze argumenteren dat cognitieve modellen (uit de cognitiewetenschap) en bestaande AI-algoritmen dienen als blauwdrukken (templates) voor het ontwerpen van taalagenten.

Formalisatie van een "Agent Template":
De auteurs definiëren een agent template formeel als een gericht, acyclisch graaf (DAG) $G = (V, E)$ .
- Vertices ( $V$ ): Vertegenwoordigen modules, die ofwel LLM's zijn ofwel tools.
- Edges ( $E$ ): Vertegenwoordigen de dataflow en uitvoeringsvolgorde tussen deze modules.
- Een template specificeert dus welke rollen individuele LLM's spelen en hoe hun functionaliteiten worden samengesteld om een probleem op te lossen.
Analyse en Koppeling:
De auteurs doorlopen bestaande literatuur over taalagenten en identificeren de onderliggende templates die direct zijn afgeleid uit:
- Cognitieve modellen: Modellen die menselijke mentale processen beschrijven (bijv. communicatie, redeneren, planning).
- AI-algoritmen: Klassieke zoekalgoritmen, "Divide and Conquer"-strategieën en Reinforcement Learning (RL) methoden.
Categorisatie van Templates:
Het paper structureert de voorbeelden in twee hoofdcategorieën:
- Cognitieve modellen:
  - Communicatie: Gebruik van het Rational Speech Acts (RSA) model, waarbij agents sociale inferentie toepassen (bijv. het simuleren van publieksreacties) om de beste uiting te kiezen.
  - Redeneren en Planning: Gebruik van "verbal protocols" (think-aloud) en modellen van de prefrontale cortex voor planning (bijv. Modular Agentic Planner).
  - Representatie: Toepassing van het "Language of Thought" (LoT) hypothese, waarbij LLM's code genereren en interpreteren voor redenering (bijv. PaL, Program of Thoughts).
- AI-algoritmen:
  - Zoekalgoritmen: Implementatie van Tree of Thoughts (gebaseerd op breedte- of diepte-zoek), Beam Search en Monte-Carlo Tree Search (MCTS) voor het verkennen van oplossingsruimtes.
  - Divide and Conquer: Strategieën zoals Least-to-Most prompting en Decomposed Prompting, waarbij complexe taken worden opgesplitst in sub-taken.
  - Reinforcement Learning (RL): Templates gebaseerd op Policy Iteration (ICPI), Posterior Sampling for RL (PSRL) en Information-Directed Sampling (IDS) voor efficiënte exploratie in sequentiële besluitvorming.

Belangrijkste Bijdragen

Conceptuele Kader: Het introduceren van het concept van een "agent template" als een brug tussen cognitiewetenschap/AI-algoritmen en moderne LLM-systemen.
Systematische Inventarisatie: Het bieden van een overzicht van bestaande succesvolle agent-architecturen en het blootleggen van hun onderliggende theoretische oorsprong (bijv. hoe een specifieke agent de principes van Thompson Sampling of RSA implementeert).
Interpreteerbaarheid: Het betogen dat het gebruik van deze templates leidt tot agenten die niet alleen effectiever zijn, maar ook interpreteerbaarder, omdat hun gedrag is gebaseerd op welbekende, geteste theoretische modellen in plaats van willekeurige architecturale keuzes.
Call to Action: Het opriepen van onderzoekers om verder te gaan met het verkennen van andere modellen uit de cognitiewetenschap (zoals evolutionaire algoritmen, mechanism design) voor het ontwerpen van toekomstige agenten.

Resultaten en Voorbeelden

Het paper presenteert geen nieuwe empirische resultaten van één specifiek experiment, maar bouwt op een breed scala aan bestaand onderzoek om de geldigheid van de aanpak te onderbouwen:

Communicatie: Agents die RSA gebruiken (zoals in Liu et al., 2023) presteren beter in het kiezen van geschikte uitingen dan baselines, omdat ze expliciet de mentale toestand van de luisteraar simuleren.
Planning: De "Modular Agentic Planner" (Webb et al., 2025), geïnspireerd op cognitieve modellen van de prefrontale cortex, behaalt sterke resultaten op benchmarks zoals de Tower of Hanoi.
Redeneren: Benaderingen die code genereren (LoT) tonen significante prestatieverbeteringen op wiskundige en symbolische taken vergeleken met puur tekstuele redenering.
Exploratie: Agents die templates van PSRL en IDS gebruiken (Arumugam & Griffiths, 2025) tonen efficiëntere exploratie in taken zoals Wordle, waarbij ze beter omgaan met onzekerheid dan agents die willekeurig of puur op basis van huidige kennis handelen.

Significantie en Impact

De betekenis van dit paper ligt in de verschuiving van een "trial-and-error" benadering naar een theoretisch onderbouwde ontwerpparadigma:

Efficiëntie: Het vermijdt de noodzaak om elke keer opnieuw te zoeken naar een optimale architectuur door gebruik te maken van "time-tested" oplossingen uit de geschiedenis van AI en cognitiewetenschap.
Schaalbaarheid: Het maakt het mogelijk om complexe, mensachtige vaardigheden (zoals sociale inferentie of strategische planning) te implementeren in LLM-systemen door deze te vertalen naar modulaire pipelines.
Toekomstvisie: Het suggereert dat de toekomst van taalagenten ligt in het combineren van de flexibiliteit van natuurlijke taal met de strikte, bewezen logica van cognitieve modellen en algoritmen. Dit kan leiden tot systemen die niet alleen slimmer zijn, maar ook beter begrijpelijk voor mensen en beter toepasbaar in kritieke domeinen.

Kortom, het paper pleit ervoor dat cognitieve modellen en AI-algoritmen niet slechts als inspiratiebronnen dienen, maar als concrete, formaliseerbare blauwdrukken die de basis moeten vormen voor de volgende generatie robuuste en interpreteerbare taalagenten.