Surrogate modeling for collective intelligence

Altmann, Philipp (2026): Surrogate modeling for collective intelligence. Dissertation, LMU München: Faculty of Mathematics, Computer Science and Statistics

Abstract

Modern intelligent systems increasingly integrate diverse hybrid substrates, including neural, agentic, evolutionary, and quantum processes alongside human collaborators. This thesis examines collective intelligence—the capability to solve complex tasks through structured interaction—in such mixed collectives: heterogeneous systems whose components differ in computational paradigm, abstraction level, or embodiment. They are prevalent in human-AI collaboration, hybrid control architectures, or computational collectives, offering strategies to tackle complex learning and optimization problems. However, heterogeneous modalities such as divergent representations, sparse or deceptive feedback, and incompatible control structures might impede seamless interoperability. This thesis investigates how surrogate models—proxies that simplify, approximate, or translate between heterogeneous components—can augment mixed collectives to bridge such gaps between hybrid substrates and facilitate behavioral alignment. They range from augmented feedback models and interoperable representations, steering system behavior toward human intent, to perceptual and translational layers, restructuring inputs or objectives to enable more coherent interaction between components. To formally characterize such surrogate-augmented collective processes (SCOPEs), we establish a framework, identifying where and how surrogates can be incorporated into system interactions, and apply it to static, dynamic, and immersive SCOPEs, which span fixed tasks, adaptive environments, and settings where alignment with human users is central. Defining and integrating surrogates across diverse collectives demonstrates distinct roles ranging from efficient approximations and augmenting global objectives to adapting modalities and aligning heterogeneous systems. Key requirements identified include theoretical limits such as deceptive feedback and effective credit assignment. They also encompass maintaining optimization stability and designing interfaces that bridge component differences, e.g., by enhancing human interpretability. Collectively, these contributions advance the hypothesis that the deliberate integration of surrogate models into mixed collectives is a universal principle to build robust, adaptable, and aligned intelligent systems that foster interoperability and mutual augmentation among heterogeneous components.

Abstract

Moderne intelligente Systeme kombinieren zunehmend vielfältige Komponenten, um den steigenden Anforderungen komplexer Anwendungen gerecht zu werden. Sie vereinen unter anderem neuronale, agentenbasierte, evolutionäre und quantenmechanische Prozesse, sowie menschliche Interaktion. Diese Arbeit untersucht Kollektive Intelligenz, die Fähigkeit komplexe Aufgaben durch strukturierte Interaktion zu lösen. Im Fokus stehen dabei gemischte Kollektive, heterogene Systeme, deren Komponenten sich in ihrem Ansatz, ihrem Abstraktionsniveau oder ihrer Ausprägung unterscheiden. Diese finden sich unter anderem in Mensch-KI-Kollaborationen, hybriden Steuerungsarchitekturen oder algorithmischen Kollektiven und bieten Lösungen für komplexe Lern- und Optimierungs-probleme. Allerdings stellen heterogene Modalitäten, divergente Repräsentationen, unzureichendes Feedback sowie inkompatible Steuerungsmechanismen erhebliche Herausforderungen für eine nahtlose Interoperabilität dar. Diese Arbeit erforscht, wie Surrogatmodelle (Ersatzmodelle) heterogene Komponenten vereinfachen, approximieren oder zwischen ihnen übersetzen. Ziel ist die Unterstützung gemischter Kollektive, um Unterschiede zwischen verschiedenen Komponenten zu überbrücken und deren Verhalten auf gemeinsame Ziele auszurichten. Diese Surrogatmodelle umfassen angereicherte Feedbackmodelle, kompatible Repräsentationen sowie perzeptive und translationale Schichten, die Eingaben oder Zielvorgaben umstrukturieren, um eine kohärentere Interaktion zwischen Komponenten zu ermöglichen. Zur Charakterisierung dieser surrogatgestützten kollektiven Prozesse wird ein Framework entwickelt, das systematisch darstellt an welchen Stellen und in welcher Form Surrogate in Systeminteraktionen integriert werden können. Dieses wird auf statische, dynamische und immersive Szenarien angewendet, die von vordefinierten Aufgaben über adaptive Umgebungen bis hin zur Wechselwirkung mit menschlichen Nutzenden reichen. Die Definition und Integration von Surrogaten in unterschiedlichen Kollektiven zeigt vielfältige Rollen: Sie reichen von effizienter Approximation und der Unterstützung globaler Ziele bis hin zur Anpassung von Modalitäten und der kohärenten Ausrichtung heterogener Teilsysteme. Ihre zentralen Anforderungen umfassen theoretische Beschränkungen wie irreführendes Feedback und präzise Kausalzuweisungen sowie die Gewährleistung von Optimierungsstabilität und die Entwicklung von Schnittstellen, die Differenzen zwischen Komponenten wirksam ausgleichen. Insgesamt stützt diese Arbeit die Hypothese, dass die gezielte Integration von Surrogatmodellen in gemischte Kollektive ein universelles Gestaltungsprinzip für robuste, anpassungsfähige und aufeinander abgestimmte intelligente Systeme darstellt, und damit die Grundlage für Interoperabilität und wechselseitige Bereicherung bildet.

• Item Type: Theses (Dissertation, LMU Munich)
• Keywords: Surrogate Modeling, Collective Intelligence, Computational Intelligence, Reinforcement Learning, Quantum Machine Learning, Multi-Agent Systems, Interpretable AI, Human-AI Interaction
• Faculties: Faculty of Mathematics, Computer Science and Statistics
• Language: English
• Date of oral examination: 11. May 2026
• 1. Referee: Linnhoff-Popien, Claudia
• Signature of the printed copy: 0001/UMC 31980