לפענח את הופעת ההתנהגות הקולקטיבית ברשתות של סוכנים קוגניטיביים

מדוע עצרות חושבות חשובות

ממאגדות רובוטים ועד קהילות מקוונות — קבוצות של יחידות פשוטות מסוגלות להציג התנהגויות מפתיעות ועשירות. אך מה קורה כאשר כל יחידה כלל אינה פשוטה, ובמקום זאת מצוידת ביכולות הסקת מסקנות מבוססות שפה כמו במודלי ה-AI המתקדמים של היום? המחקר הזה בוחן כיצד קבוצות של "סוכנים קוגניטיביים" מתנהגות לעומת חלקיקים הפועלים לפי חוקים קלאסיים, ומה משמעות הדבר למשימות כמו פתרון בעיות וסימולציות חברתיות.

מחלקיקים פשוטים לסוכנים מדברים

מודלים מסורתיים של קהלים, עדרים או עצרות מתייחסים לפרטים כאל חלקיקים בסיסיים שעוקבים אחרי חוקים קבועים: לנוע לעבר שכן, להימנע מתנגשות, להעדיף שכנים דומים, וכדומה. בניגוד לכך, הסוכנים הנבדקים כאן מונעים על ידי מודלים שפתיים גדולים (LLMs). הם תופסים את סביבתם במילים, שוקלים מה לעשות בהמשך, זוכרים ניסיונות קודמים ואפילו מתקשרים זה עם זה. המחברים שואלים שאלה מרכזית: כאשר לכל יחידה יש "שכלול" מובנה כזה, האם התבניות הכוללות שמופיעות ברמת הקבוצה משתנות, ואם כן — כיצד?

בדיקת עצרות על בעיות קשות

כדי לבדוק זאת, החוקרים משווים סוכנים קוגניטיביים לחלקיקים קלאסיים בשני אתגרים שונים מאוד. הראשון הוא אופטימיזציית פונקציה, תחליף לבעיות חיפוש קשות שבהן המטרה היא למצוא את הפתרון הטוב ביותר בנוף מחוספס המלא במלכודות מקומיות. הם מציגים את LLM Agent Swarm Optimization (llmASO), שבו רשת של סוכני LLM מציעה ומשתפת פתרונות מועמדים בשפה טבעית. זאת משווים לשיטת חלקיקים ידועה הנקראת Particle Swarm Optimization, וכן לממיין LLM יחיד הפועל לבד. בנופים הפשוטים יותר, סוכנים LLM בודדים מוצאים במהירות תשובות טובות על ידי זיהוי דפוסים בניסיונות עבר. אולם בשטחים מחוספסים יותר עם בורות מקומיים רבים, סוכנים בודדים נוטים להתייצב מהר מדי על נקודות "טובות מספיק" בקרבת מקום. עצרות של סוכנים מדברים, בניגוד לכך, מגלות באופן אמין את האזור הטוב ביותר האמיתי — אם כי הן עושות זאת באיטיות יחסית ותלויות באופן שבו המידע זורם דרך רשת התקשורת שלהן.

כיצד דיבור משנה דפוסים חברתיים

המבחן השני בוחן מחדש את מודל הסגוליות הקלאסי של שקילינג, שמראה כיצד העדפות קלות לשכנים דומים יכולות להוביל להפרדה חריפה בין קבוצות. כאן הסוכנים נעים על רשת משבצות ושייכים לאחד משני סוגים; הם "שמחים" אם מעט מדי שכנים שונים מהם. עבור חלקיקים סטנדרטיים הפועלים לפי כללי העתקה פשוטים, מופיעות שלוש פאזה מוכרות כשהסובלנות משתנה: מצב מעורב עם תזוזה מתמדת, מצב מופרד עם אשכולות ברורים, ומצב קפוא שבו התנועה נפסקת ברובה. סוכנים קוגניטיביים מצייתים לכלל השביעות הבסיסי אך מחליטים לאן לעבור לאחר החלפת הודעות עם סוכנים אחרים. כאשר כל סוכן יכול לדבר עם כל האחרים, התוצאה הגדולה נראית באופן מפתיע דומה למקרה של החלקיקים, דבר שמרמז כי הוספת שפה והסקת מסקנות אינה מפילה אוטומטית את דפוסי ההפרדה המוכרים.

רשתות ואפקטי "ציפורים של נוצה אחת"

הסיפור משתנה ברגע שמבנה השיחות נעשה ריאלי יותר. המחברים משנים את רשת התקשורת כך שסוכנים מדברים בעיקר עם עמיתים סמוכים, או כך שהקשרים עוקבים אחרי תבניות הנמצאות במערכות חברתיות רבות במציאות עם כמה צמתי־על בעלי חיבורים רבים. הם גם בוחנים הומופיליה (סוכנים שמעדיפים לדבר עם אותם סוגים) והטרופיליה (העדפה לשיחה עם סוג ההפוך). התיקונים האלה בעלי השלכות חזקות: כשהסוכנים מדברים בעיקר עם עמיתים דומים, הם מתואמים במהירות, יוצרים אשכולות ביעילות ואף יכולים להימנע מהפאזה המעורבת שאינה מסתיימת. כשם שהם מדברים בעיקר עם בני־סוג שונים, הדרך לשביעות רצון איטית ומורכבת יותר, אך הפרדה חזקה יכולה עדיין להתהוות — גם כאשר כל שיחה חוצה קווי קבוצה. באופן כללי, שיחות מקומיות ומגמות "ציפורים של נוצה אחת" מעצבות מחדש כיצד ההפרדה מתפתחת, בדרכים שלא נגישות לחלקיקים שאינם חושבים.

מה משמעות הדבר לעתיד עצרות AI וסימולציות חברתיות

המחברים מסכמים כי הענקת יכולות שפה מתקדמות לכל סוכן אינה פשוטה עושה את הקבוצות לטובות יותר באופן גורף. במקום זאת, יכולות אלה מציגות כוח חדש — כגון קונצנזוס מהיר וניצול דפוסים — שיכול להיות מועיל או מזיק בהתאם לאופן שבו הסוכנים מקושרים זה לזה. במשימות אופטימיזציה, רשתות שעוצבו באופן לקוי עלולות לדחוף סוכנים חכמים להסכים מהר מדי על פתרונות בינוניים; הגבלה זהירה של זרימת המידע עוזרת להם לחקור באופן רחב יותר, על חשבון מהירות. בסימולציות חברתיות, דפוסי תקשורת ריאליסטיים והומופיליה יכולים לייצר התנהגויות שונות ממודלים קלאסיים ואף לשקף טוב יותר את החברה האנושית. ככל שעצרות של רובוטים מבוססי־AI ורשתות של סוכנים וירטואליים יהפכו לשכיחות יותר, הבנה וכיול של האפקטים הקולקטיביים הללו יהיו קריטיים לתכנון מערכות בטוחות ויעילות.

ציטוט: Zomer, N., De Domenico, M. Unraveling the emergence of collective behavior in networks of cognitive agents. npj Artif. Intell. 2, 36 (2026). https://doi.org/10.1038/s44387-026-00091-5

מילות מפתח: סוכנים קוגניטיביים, מודלים שפתיים גדולים, אופטימיזציית רפסודה (swarm), דינמיקות הכחדה/הפרדה, טופולוגיית רשת