In de wereld van kunstmatige intelligentie heeft een veelvoorkomend geloof lang de stellige overtuiging gehouden dat als je een groep computerprogramma's genoeg kracht geeft en ze met elkaar laat communiceren, ze vanzelf zullen uitzoeken hoe ze moeten samenwerken. Dit idee gaat ervan uit dat intelligentie een eigenschap is van de individuele leden: als elke robot of softwareagent slim genoeg is, zal de groep slim genoeg zijn. Echter, de menselijke geschiedenis en sociologie suggeren een andere waarheid. We weten dat het succes van een groep evenzeer afhangt van hoe de leden zijn gerangschikt als van hun individuele talenten. Een team van briljante artsen zal een operatie doen mislukken als zij niet beschikken over een duidelijke taakverdeling, een bevelstructuur, of een manier om te beslissen wie wat en wanneer doet. Dit principe, bekend als organisatorisch ontwerp, is de onzichtbare architectuur die een menigte individuen verandert in een gecoördineerd collectief. Decennialang hebben wetenschappers die kunstmatige teams bouwen zich bijna volledig gericht op het slimmer maken van de individuele agenten, waarbij ze de vraag hoe ze hen te organiseren vaak als een secundaire kwestie beschouwden, of ervan uitgingen dat één vaste structuur voor elke situatie zou werken.

Een nieuwe studie daagt deze aanname uit door aan te tonen dat de manier waarop kunstmatige agenten zijn georganiseerd even cruciaal is als de intelligentie die zij bezitten. Onderzoekers aan de Duke University hebben een systeem ontwikkeld genaamd ORCH, wat staat voor Organizing Roles and Coordination Hierarchies (het organiseren van rollen en coördinatiehiërarchieën). In plaats van elke groep robots te dwingen om dezelfde rigide regels te volgen, fungeert ORCH als een architect die voor elke specifieke missie een unieke managementstructuur ontwerpt. Het systeem put uit ideeën uit de menselijke managementtheorie, waarbij specifiek wordt gekeken naar hoe verschillende soorten werk verschillende soorten coördinatie vereisen. Sommige taken kunnen worden uitgevoerd door veel mensen die naast elkaar werken zonder op elkaar te hoeven wachten, zoals een groep brandweerlieden die elk verschillende bomen omverhakken. Andere taken vereisen een strikte volgorde, waarbij een stap moet zijn voltooid voordat de volgende kan beginnen, zoals een drone die een brand moet verkennen en veilige routes moet identificeren voordat een helikopter de brandweerlieden naar de locatie kan transporteren, waarna de brandweerlieden het vuur blussen. ORCH herkent deze verschillen en bouwt een hiërarchie die bij de klus past: het creëert "horizontale" managers om onafhankelijk, parallel werk te overzien en "verticale" managers om sequentiële, stapsgewijze processen te overzien.

Om te testen of deze aanpak daadwerkelijk werkt, onderwierpen de onderzoekers hun systeem aan de test in een complexe, gesimuleerde wereld van bosbrandbestrijding. Ze creëerden vijfentwintig verschillende missies, variërend van eenvoudige taken zoals het verkennen van een klein gebied tot massale, chaotische scenario's met tot wel vijftig verschillende soorten agenten, waaronder drones, helikopters, bulldozers en mensachtige brandweerlieden. Deze missies waren ontworpen om moeilijk te zijn, met veranderende omstandigheden zoals plotselinge windverschuivingen, nieuwe brandhaarden of agenten die halverwege een taak uitvielen. De onderzoekers lieten hun ORCH-systeem strijden tegen vier andere toonaangevende methoden voor het coördineren van kunstmatige teams. Ze voerden deze simulaties uit met acht verschillende grote taalmodellen, die dienden als de "hersenen" voor de agenten, om er zeker van te zijn dat de resultaten niet slechts een toevalstreffer waren van één specifiek computerprogramma. De resultaten waren opmerkelijk. Teams die door ORCH werden georganiseerd, presteerden consequent beter dan de andere methoden. Ze voltooiden missies met hogere scores, voltooiden taken veel sneller en verkenden meer van de omgeving. Gemiddeld verbeterden de door mensen ontworpen ORCH-structuren de uiteindelijke missiescore met bijna drieenzestig procent en de uitvoeringssnelheid met meer dan vierenzeventig procent in vergelijking met de voorheen beste benaderingen. Zelfs toen de teamhiërarchie automatisch door een kunstmatige intelligentie werd gegenereerd in plaats van door een mens, verbeterde het systeem de prestaties met meer dan veertig procent.

Een van de meest verrassende bevindingen was dat het hebben van een grotere, krachtigere computerhersenen niet garandeerde dat er een beter team zou zijn. De onderzoekers testten modellen van zeer verschillende groottes, van kleinere, efficiënte modellen tot massieve, state-of-the-art systemen. Ze ontdekten dat een middelgroot model, wanneer geplaatst in een goed georganiseerde teamstructuur, vaak beter presteerde dan een veel groter model dat slecht georganiseerd was. Dit suggereert dat het simpelweg slimmer maken van individuele agenten niet de enige weg naar succes is; de structuur die hen bij elkaar houdt, is net zo belangrijk. Sterker nog, de studie toonde aan dat de collectieve prestaties niet simpelweg toenemen naarmate het model groter wordt. Een groot, krachtig model kan nog steeds falen als het een verwarrende of inefficiënte organisatiestructuur krijgt. De onderzoekers ontdekten ook dat het ORCH-systeem robuust was over verschillende soorten missies en verschillende onderliggende computerhersenen, wat bewijst dat de principes van organisatie een fundamenteel instrument zijn voor het bouwen van capabele kunstmatige groepen, en niet slechts een methode voor een specifiek scenario.

De studie keek ook nauwgezet naar waarom andere systemen faalden. Wanneer de onderzoekers de communicatielogs van de teams die moeite hadden analyseerden, vonden zij dat de meeste fouten optraden omdat individuele agenten taken kregen die zij niet konden uitvoeren of dat zij dingen werd verteld die op dat moment geen zin hadden. In tegen tegenstelling hiertoe hadden de door ORCH georganiseerde teams veel minder van deze uitvoeringsfouten. De hiërarchische structuur hielp informatie te filteren en zorgde ervoor dat taken werden afgestemd op de juiste capaciteiten. De onderzoekers merkten echter op dat hoewel het systeem goed werkte, het niet perfect was. Wanneer de teamhiërarchie automatisch door een kunstmatige intelligentie werd gegenereerd zonder menselijk toezicht, waren de resulterende structuren vaak complexer en minder gebalanceerd dan die ontworpen door een menselijke expert. Deze automatisch gegenereerde teams creëerden soms onnodige managementlagen of wijsden te veel agenten toe aan een enkele manager, wat hen vertraagde. Dit suggereert dat hoewel machines kunnen leren zichzelf te organiseren, menselijk inzicht in hoe men een team structureert een waardevol voordeel blijft.

Uiteindelijk vestigt dit werk de stelling dat organisatorisch ontwerp een kernonderdeel is van kunstmatige intelligentie, en niet slechts een administratief detail. Het bewijst dat principes die zijn ontwikkeld om menselijke samenlevingen te begrijpen — zoals het verdelen van werk op basis van de vraag of het parallel of sequentieel kan worden uitgevoerd — vertaald kunnen worden naar code om betere kunstmatige teams te bouwen. De onderzoekers ontdekten dat door de organisatie van het team te behandelen als een variabele die kan worden afgestemd en geoptimaliseerd, zij capaciteiten konden ontsluiten die zelfs verborgen lagen in krachtige individuele agenten. Naarmate kunstmatige systemen groter en complexer worden, van kleine groepen identieke robots naar massieve, diverse collectieven, zal het vermogen om de juiste structuur voor de klus te ontwerpen even essentieel worden als de intelligentie van de agenten zelf. De studie suggereert dat de toekomst van collectieve kunstmatige intelligentie niet alleen ligt in het slimmer maken van robots, maar in het leren hoe we hen moeten organiseren.