Eine Übersicht über selbstentwickelnde Agenten: Auf dem Weg zur künstlichen Überintelligenz

Große Sprachmodelle (LLMs) haben starke Fähigkeiten demonstriert, bleiben jedoch grundsätzlich statisch und können ihre internen Parameter nicht an neue Aufgaben, sich verändernde Wissensbereiche oder dynamische Interaktionskontexte anpassen. Da LLMs zunehmend in offenen, interaktiven Umgebungen eingesetzt werden, hat diese statische Natur zu einem kritischen Engpass führen können, was die Entwicklung von Agenten erforderlich macht, die in Echtzeit adaptiv denken, handeln und sich weiterentwickeln können. Dieser Paradigmenwechsel – von der Skalierung statischer Modelle hin zu der Entwicklung selbstentwickelnder Agenten – hat zunehmendes Interesse an Architekturen und Methoden geweckt, die kontinuierliches Lernen und Anpassung aus Daten, Interaktionen und Erfahrungen ermöglichen. Diese Übersicht bietet die erste systematische und umfassende Rezension zu selbstentwickelnden Agenten, strukturiert um drei grundlegende Dimensionen – was zu entwickeln ist, wann zu entwickeln ist und wie zu entwickeln ist. Wir untersuchen evolutionäre Mechanismen innerhalb der Agentenkomponenten (z. B. Modelle, Gedächtnis, Werkzeuge, Architektur), klassifizieren Anpassungsmethoden nach Stufen (z. B. intra-Testzeit, inter-Testzeit) und analysieren algorithmische und architektonische Entwürfe, die die evolutionäre Anpassung leiten (z. B. skalare Belohnungen, textuelle Rückmeldungen, Einzelagenten- und Mehragentensysteme). Zudem analysieren wir Evaluierungsmaße und Benchmarks, die speziell für selbstentwickelnde Agenten entwickelt wurden, betonen Anwendungen in Bereichen wie Programmierung, Bildung und Gesundheitswesen und identifizieren kritische Herausforderungen und Forschungsrichtungen in Bezug auf Sicherheit, Skalierbarkeit und ko-evolutionäre Dynamiken. Durch die Bereitstellung eines strukturierten Rahmens zur Verständnis und Gestaltung selbstentwickelnder Agenten legt diese Übersicht einen Wegweiser für die Weiterentwicklung adaptiver Agentensysteme in der Forschung und in realen Anwendungen fest und trägt letztendlich dazu bei, den Weg für die Realisierung einer Künstlichen Superintelligenz (ASI) zu ebnen, bei der Agenten autonom sich weiterentwickeln und in einer Vielzahl von Aufgaben auf oder über dem Niveau menschlicher Intelligenz agieren.