Von Grunzen zur Grammatik: Entstehende Sprache aus kooperativem Nahrungserwerb

From Grunts to Grammar: Emergent Language from Cooperative Foraging

May 19, 2025

Autoren: Maytus Piriyajitakonkij, Rujikorn Charakorn, Weicheng Tao, Wei Pan, Mingfei Sun, Cheston Tan, Mengmi Zhang

cs.AI

Zusammenfassung

Frühe Höhlenmenschen verließen sich auf Gesten, Lautäußerungen und einfache Signale, um sich zu koordinieren, zu planen, Raubtiere zu vermeiden und Ressourcen zu teilen. Heute arbeiten Menschen mit komplexen Sprachen zusammen, um bemerkenswerte Ergebnisse zu erzielen. Was treibt diese Entwicklung der Kommunikation an? Wie entsteht Sprache, passt sich an und wird für Teamarbeit unverzichtbar? Die Ursprünge der Sprache zu verstehen, bleibt eine Herausforderung. Eine führende Hypothese in der Linguistik und Anthropologie besagt, dass sich Sprache entwickelt hat, um den ökologischen und sozialen Anforderungen der frühen menschlichen Zusammenarbeit gerecht zu werden. Sprache entstand nicht isoliert, sondern durch gemeinsame Überlebensziele. Inspiriert von dieser Sichtweise untersuchen wir die Entstehung von Sprache in Multi-Agenten-Foraging-Spielen. Diese Umgebungen sind so gestaltet, dass sie die kognitiven und ökologischen Zwänge widerspiegeln, von denen angenommen wird, dass sie die Entwicklung der Kommunikation beeinflusst haben. Agenten agieren in einer gemeinsamen Gitterwelt mit nur teilweiser Kenntnis über andere Agenten und die Umgebung und müssen sich koordinieren, um Spiele wie das Aufsammeln von hochwertigen Zielen oder das Ausführen zeitlich geordneter Aktionen zu bewältigen. Mithilfe von end-to-end Deep Reinforcement Learning lernen Agenten sowohl Aktionen als auch Kommunikationsstrategien von Grund auf. Wir stellen fest, dass Agenten Kommunikationsprotokolle mit charakteristischen Merkmalen natürlicher Sprache entwickeln: Willkürlichkeit, Austauschbarkeit, Verschiebung, kulturelle Übertragung und Kompositionalität. Wir quantifizieren jede Eigenschaft und analysieren, wie verschiedene Faktoren wie Bevölkerungsgröße und zeitliche Abhängigkeiten spezifische Aspekte der entstehenden Sprache prägen. Unser Framework dient als Plattform, um zu untersuchen, wie Sprache aus partieller Beobachtbarkeit, zeitlichem Denken und kooperativen Zielen in verkörperten Multi-Agenten-Settings entstehen kann. Wir werden alle Daten, Codes und Modelle öffentlich zugänglich machen.

English

Early cavemen relied on gestures, vocalizations, and simple signals to coordinate, plan, avoid predators, and share resources. Today, humans collaborate using complex languages to achieve remarkable results. What drives this evolution in communication? How does language emerge, adapt, and become vital for teamwork? Understanding the origins of language remains a challenge. A leading hypothesis in linguistics and anthropology posits that language evolved to meet the ecological and social demands of early human cooperation. Language did not arise in isolation, but through shared survival goals. Inspired by this view, we investigate the emergence of language in multi-agent Foraging Games. These environments are designed to reflect the cognitive and ecological constraints believed to have influenced the evolution of communication. Agents operate in a shared grid world with only partial knowledge about other agents and the environment, and must coordinate to complete games like picking up high-value targets or executing temporally ordered actions. Using end-to-end deep reinforcement learning, agents learn both actions and communication strategies from scratch. We find that agents develop communication protocols with hallmark features of natural language: arbitrariness, interchangeability, displacement, cultural transmission, and compositionality. We quantify each property and analyze how different factors, such as population size and temporal dependencies, shape specific aspects of the emergent language. Our framework serves as a platform for studying how language can evolve from partial observability, temporal reasoning, and cooperative goals in embodied multi-agent settings. We will release all data, code, and models publicly.