AI Magazine

Abstract As autonomous systems become increasingly capable, the deployment of Human‐Multi‐Agent Teams (HMATs) offers immense potential for executing complex, decentralized tasks. However, realizing this potential is constrained by a critical bottleneck: the cognitive and supervisory capacity of the human operator. While foundational fan‐out models established crucial groundwork for predicting this capacity, they are structurally limited to sequential, one‐to‐one interactions and rely on ambiguous variables that often produce overly optimistic predictions in real‐world environments. This article synthesizes a multi‐year empirical research program to present a comprehensive, new framework for modeling human‐autonomy scalability. First, we deconstruct the variables of legacy models into human and robot elements, demonstrating that true scalability is a relational property driven by human‐robot alignment rather than raw machine autonomy. We then validate the necessity of a mathematically bounded architecture to ensure predictive stability under operational uncertainty. Finally, we extend this framework to mathematically capture the paradigm shift toward group‐based, one‐to‐many teaming. By analyzing the results of a complex, multi‐agent simulation, we reveal the fundamental, quantifiable trade‐off between increasing team scale and maintaining human oversight, providing AI system designers with a validated blueprint for optimizing the next generation of human‐autonomy teams.

چکیده: با افزایش توانمندی سامانه‌های خودمختار، به‌کارگیری تیم‌های انسان-چندعامل (HMATs) ظرفیت چشمگیری برای اجرای وظایف پیچیده و غیرمتمرکز فراهم می‌کند. با این حال، تحقق این ظرفیت با یک گلوگاه اساسی محدود می‌شود: ظرفیت شناختی و نظارتی اپراتور انسانی. اگرچه مدل‌های بنیادین fan-out زیرساخت مهمی برای پیش‌بینی این ظرفیت فراهم کرده‌اند، اما این مدل‌ها به‌طور ساختاری به تعاملات متوالی و یک‌به‌یک محدود هستند و به متغیرهای مبهمی متکی‌اند که اغلب منجر به پیش‌بینی‌های بیش از حد خوش‌بینانه در محیط‌های واقعی می‌شوند. این مقاله با تلفیق یک برنامه پژوهشی تجربی چندساله، چارچوبی جامع و نوین برای مدل‌سازی مقیاس‌پذیری انسان-خودمختاری ارائه می‌دهد. نخست، متغیرهای مدل‌های پیشین به عناصر انسانی و رباتیکی تجزیه می‌شوند و نشان داده می‌شود که مقیاس‌پذیری واقعی یک ویژگی رابطه‌ای است که توسط هم‌راستایی انسان-ربات هدایت می‌شود و نه صرفاً خودمختاری ماشین. سپس، ضرورت وجود معماری با مرزهای ریاضی برای تضمین پایداری پیش‌بینی در شرایط عدم قطعیت عملیاتی اعتبارسنجی می‌شود. در نهایت، این چارچوب برای مدل‌سازی ریاضی تغییر پارادایم به سوی تیم‌سازی گروهی و یک‌به‌چند گسترش می‌یابد. با تحلیل نتایج یک شبیه‌سازی پیچیده چندعامله، مبادله اساسی و قابل سنجش میان افزایش مقیاس تیم و حفظ نظارت انسانی آشکار می‌شود و الگویی معتبر برای بهینه‌سازی نسل آینده تیم‌های انسان-خودمختاری در اختیار طراحان سامانه‌های هوش مصنوعی قرار می‌گیرد.