Angeliki Lazaridou ist eine Forschungswissenschaftlerin bei Google DeepMind in London, bekannt für ihre Arbeit zur Verankerung von großen Sprachmodellen in interaktiven Umgebungen und Multi-Agenten-Systemen. Ihre Forschung liegt an der Schnittstelle von natürlicher Sprachverarbeitung, Verstärkungslernen und multimodalem Lernen, mit besonderem Schwerpunkt darauf, wie künstliche Agenten Sprache durch Kommunikation und Verkörperung erwerben und nutzen können, statt durch statische Textkorpora.
Lazaridou promovierte in Computerlinguistik an der University of Toronto, wo sie von Suzanne Stevenson betreut wurde und an semantischer Repräsentation und lexikalischem Erwerb arbeitete. Anschließend hatte sie eine Postdoktorandenstelle an der University of Oxford inne, bevor sie 2016 zu DeepMind (jetzt Teil von Google DeepMind) kam. Bei DeepMind wurde sie zu einer führenden Figur in der Erforschung emergenter Kommunikation, indem sie untersuchte, wie Agenten eigene Sprachen entwickeln, um kollaborative Aufgaben zu lösen.
Emergente Kommunikation und Multi-Agenten-Lernen
Lazaridous frühe Arbeit bei DeepMind, oft in Zusammenarbeit mit Karl Moritz Hermann und anderen, zeigte, dass Verstärkungslern-Agenten von Grund auf kompositionale Kommunikationsprotokolle entwickeln können. In einer Reihe einflussreicher Arbeiten zeigte sie, dass Agenten, die darauf trainiert wurden, Objekte in einer Gitterwelt zu referenzieren, Sprachen entwickeln konnten, die systematische Strukturen aufwiesen, auch wenn diese Sprachen sich in Effizienz und Robustheit oft von menschlichen Sprachen unterschieden. Ihre Arbeit von 2017 „Multi-Agent Cooperation and the Emergence of (Natural) Language“ (mit Igor Mordatch) wurde zu einer grundlegenden Referenz für das Feld und zeigte, dass Agenten durch diskrete Symbole kommunizieren lernen konnten, während sie kooperative Aufgaben lösten.
Diese Forschungslinie erweiterte sich auf die Untersuchung von Faktoren, die die Entstehung menschenähnlicher linguistischer Eigenschaften wie Kompositionalität und Ambiguität beeinflussen. Lazaridous Arbeit hob die Abwägungen zwischen kommunikativem Erfolg und Sprachkomplexität hervor, und sie trug zum Verständnis bei, wann und warum Agenten gemeinsame Konventionen entwickeln. Ihre Erkenntnisse haben Implikationen für das Design interpretierbarerer und kontrollierbarerer KI-Systeme sowie für Theorien der Sprachevolution.
Verankerung von Sprache in multimodalen und verkörperten Kontexten
Ein zentrales Thema von Lazaridous Forschung ist die Verankerung - die Verbindung linguistischer Symbole mit perzeptuellen und physischen Erfahrungen. Sie hat daran gearbeitet, Vision-Sprach-Modelle mit textuellen Repräsentationen abzugleichen, sodass Agenten über Sprache über Bilder und Videos reasoning können. In einer Arbeit von 2021 führte sie mit Kollegen eine Methode ein, um Sprachmodelle in visuellen Welten zu verankern, indem sie auf gepaarten Bild-Text-Daten trainiert wurden, was ihre Fähigkeit verbesserte, visuelle Fragen zu beantworten und beschreibende Bildunterschriften zu generieren.
In jüngerer Zeit hat sich Lazaridou auf die Verankerung großer Sprachmodelle in interaktiven Umgebungen wie textbasierten Spielen und simulierten Welten konzentriert. Diese Arbeit zielt darauf ab, über statische Vortrainingsdaten hinauszugehen, indem Modelle aus Feedback, Erkundung und sozialer Interaktion lernen können. Sie war an Projekten beteiligt, die Verstärkungslernen nutzen, um Sprachmodelle für zielgerichtetes Verhalten zu feinabzustimmen, einschließlich Aufgaben wie Navigation und Werkzeugnutzung, die sowohl linguistisches Verständnis als auch Planung erfordern.
Beiträge zur KI-Sicherheit und -Evaluierung
Lazaridou hat auch zur Evaluierung und Sicherheit großer Sprachmodelle beigetragen. Sie hat Arbeiten zur Messung der faktischen Genauigkeit und Konsistenz generierter Texte sowie zur Erkennung und Minderung von Verzerrungen in Modellausgaben mitverfasst. Ihre Perspektive betont, dass die Verankerung in realen Interaktionen Halluzinationen reduzieren und die Zuverlässigkeit verbessern kann, da Modelle gezwungen sind, ihre Sprache mit beobachtbaren Zuständen abzugleichen.
Im Jahr 2023 beteiligte sie sich an Diskussionen und Veröffentlichungen über die Herausforderungen der Ausrichtung von generativer KI an menschlichen Werten, insbesondere in Multi-Agenten-Settings, in denen Modelle miteinander und mit Menschen koordinieren müssen. Sie hat argumentiert, dass es wichtig ist, Kommunikation als Mittel zur Erreichung gemeinsamer Ziele zu untersuchen, statt sie lediglich als Musterabgleichsaufgabe zu betrachten.
Ausgewählte Veröffentlichungen und Anerkennung
Lazaridous Arbeit wurde in führenden Konferenzen veröffentlicht, darunter die Conference on Neural Information Processing Systems (NeurIPS), die International Conference on Learning Representations (ICLR) und die Association for Computational Linguistics (ACL). Ihre Arbeiten wurden tausendfach zitiert, und sie ist eine häufige eingeladene Rednerin bei Workshops zu emergenter Kommunikation und interaktiver KI.
Sie hat als Bereichsvorsitzende für große NLP- und Machine-Learning-Konferenzen gedient und zahlreiche Praktikanten und Studenten bei Google DeepMind betreut. Ihre Forschung wurde in populärwissenschaftlichen Medien vorgestellt, wobei überraschende Wege hervorgehoben wurden, wie KI-Agenten eigene Sprachen entwickeln.
Aktuelle Richtungen
Stand 2025 erforscht Lazaridou weiterhin, wie große Sprachmodelle in verkörperte Agenten eingebettet werden können, die in dynamischen Umgebungen wahrnehmen, handeln und kommunizieren. Ihre jüngsten Projekte umfassen Multi-Agenten-Verstärkungslernen mit menschenähnlicher Verhandlung und Kooperation sowie die Nutzung von Weltmodellen zur Verbesserung des Sprachverständnisses. Sie bleibt eine entschiedene Befürworterin interdisziplinärer Ansätze, die Erkenntnisse aus Linguistik, Kognitionswissenschaft und Informatik kombinieren.
Ihre Arbeit wird weithin als Brücke zwischen statischen Sprachmodellen und der interaktiven, verankerten Intelligenz gesehen, die für reale Anwendungen wie Robotik, virtuelle Assistenten und kollaborative KI-Systeme erforderlich ist.