研究表明，随着深度人工网络的感知、移动和规划能力的增强，研究人员正在研究它们是否也能发展出共享语言来相互交互，并探讨语言在深度代理人群体中演化及紧急特性的条件，这既有助于理解人类语言进化的过程，也可以让深度网络在日常生活中更加灵活和有用。本文概述了各角度最具代表性的语言演化研究。
Jun, 2020
发展人机互动中准确使用自然语言的机器，重要性愈发突显。本文回顾了近年来涉及新兴交流（Emergent communication）的文献，分析了其公共特性、两个子类别和挑战，并强调了多元视角和专业知识在领域中的重要性，主张研究者们共同努力以寻找共同问题的多种解决方案，加深对人类交流的理解，从而发展出更能准确使用自然语言的机器。
Aug, 2023
本文提出了一种基于信息瓶颈的无监督方法，用于探索非常稀疏的多智能体增强学习中的社交通信情境，该方法可以捕捉引用复杂性和任务特定效用，并开发出一种自然语言灵感的信息组成的词汇表，该词汇表独立于一组紧急概念，使其具有极小的位数，同时可以使用社交影子的观测构成，并通过社交影子来学习通信策略。
Feb, 2023
通过对自发交流模型的文献综述，我们确定了塑造语言模型的关键压力：交流成功、效率、易学性和其他心理 / 社会语言因素，并认为这可以为语言习得和语言演化研究的语言模型设计提供启示。
Mar, 2024
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
探讨了人类和神经网络代理之间新兴通信协议的三个重要现象，包括学习容易性、泛化和群体规模影响，强调了认知和交际限制对语言结构的影响，在神经仿真中引入此类限制将促进更语言上可信的行为。
Apr, 2022
计算建模对于语言的产生起着重要作用，通过模拟真实环境中可能引发结构化语言产生的条件和学习过程。本文探讨了一类最近在机器学习领域引起革命的计算模型：深度学习模型。章节介绍了深度学习和强化学习方法的基本概念，并总结了它们在模拟语言产生方面的帮助。还讨论了主要发现、限制以及近期构建逼真模拟的尝试。该章针对寻求使用深度学习作为研究语言进化工具的语言学家和认知科学家。
通过研究 negotiation environment 中不同类型 agent 之间的交互过程，以及不同类型 agent 是否会进行 cheap talk，作者探讨了 cooperation 在语言产生中的必要性问题。
Apr, 2018
本研究探讨了人工智能代理的紧急沟通现象以了解其语言演化，发展出能够与人类有效沟通的人工智能系统，发现代理人在不同网格环境下进行合作导航任务时，学习了解释性的沟通协议，使其能够高效地解决任务，分析了代理人的策略，发现紧急信号在空间上聚集在一起，信号指向特定的位置和空间方向，如 “左”，“上” 或 “左上房间”，使用代理人群体，我们展示了出现的协议具有基本组合结构，从而表现出自然语言的核心属性。
Apr, 2020
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。