本文提出了一种基于多智能体交互通信的语言学习框架，在指代游戏的上下文中研究了这种学习方法，通过联系人工智能代理人彼此通信以识别随机图像，在通过调整游戏环境来提高代理人交流的自适应语言结构，并为代理人的代码提出简单的系统，从而使其更好地恰当地通信，并能更有效地与人类沟通。

Dec, 2016

通过玩转指代博弈，研究者们发现使用可微分方式（ST Gumbel-softmax estimator）的强化学习方法能够有效地解决学习沟通的问题，从而使得交互遵循自然语言的组成性和可变性。

May, 2017

本研究开发了一种新型的通信游戏，分层引用游戏，用于研究人工智能代理如何出现针对不同层次的引用系统，结果表明代理可以成功地学习并推广到新的概念，他们使用隐式和显式策略实现抽象，并反映层次结构及其组成性的东西支持分层引用系统的出现。

Mar, 2022

通过模拟代理人群体的文化和架构演进，研究发现，当语言习得者的学习偏好被考虑在内时，语言和代理人的共同进化可以得到最优解，这一发现强调了研究代理人架构的重要性，并为语言的起源研究铺平了道路。

Jan, 2020

探究 Lazaridou 等人（2017）的指称游戏中，代理人在相互作用过程中建立起的视觉表示，结果发现代理人成功建立沟通是通过引导几乎完全一致的视觉表示来实现的，但却没有捕捉到输入图像所描述的概念特性，因此我们应该更关注代理人将其使用的符号关联的视觉语义，才能更好地开发出类似于语言的沟通系统。

Aug, 2018

研究算法在学习语言进化中起到的作用，通过深度学习方法和 RL 神经网络代理进行了提高，并开发出代理能够从原始像素数据中学习的能力，研究表明输入数据中的结构程度影响出现的协议的性质，并证实当代理感知到世界的结构时，结构化的组合性语言很可能会出现。

Apr, 2018

提出了一种交互式多模态框架，通过协作推理游戏，实现神经网络学习语言，初步实验结果可喜，但需注意避免智能体发展出仅针对游戏有效的特定通信编码。

May, 2016

本文提出了使用深度强化学习进行训练的带有通信能力的智能体在同时进行一系列指称游戏的计算框架，证明了框架反映了自然语言中观察到的语言现象，即语言演化的复杂属性可以不依赖于复杂的语言能力而是可以从视觉感知智能体之间的简单社交交流中产生。

Jan, 2019

通过使用多模式和多步骤的指示性游戏，探讨了 AI 与 AI 之间的内部通信方式的变化，研究发现，较为逐渐的信息交换可以促进更好的预测和提高产生的通信协议的效率。

May, 2017

使用自然語言處理的方式分析了在重複參照遊戲中，設定共同基礎並理解彼此喜好的過程。發現不同的語言配對會發現各種特殊而有效的合作方式，而這些合作方式受到溝通環境的影響。此外還發現人們說話越來越有效率，最終成為包含開放類詞語的簡短標籤。

Dec, 2019