Het ontstaan van collectief gedrag in netwerken van cognitieve agenten ontrafelen

Waarom denkende zwermen ertoe doen

Van robotcollectieven tot online gemeenschappen: groepen eenvoudige eenheden kunnen verrassend rijk gedrag vertonen. Maar wat gebeurt er wanneer elke eenheid helemaal niet eenvoudig is, en in plaats daarvan over krachtige taalgebaseerde redeneervaardigheden beschikt zoals de huidige grote AI-modellen? Deze studie onderzoekt hoe zwermen van dergelijke “cognitieve agenten” zich gedragen vergeleken met klassieke regelvolgende deeltjes, en wat dat betekent voor taken zoals probleemoplossing en het simuleren van samenlevingen.

Van simpele deeltjes naar pratende agenten

Traditionele modellen van menigten, vogelzwermen of zwermen behandelen individuen als basale deeltjes die vaste regels volgen: beweeg naar een buur, vermijd botsingen, geef de voorkeur aan gelijkaardige buren, enzovoort. De agenten die hier bestudeerd worden daarentegen worden aangestuurd door grote taalmodellen (LLMs). Ze nemen hun omgeving waar in woorden, redeneren over wat ze vervolgens moeten doen, onthouden eerdere ervaringen en praten zelfs met elkaar. De auteurs stellen een centrale vraag: veranderen de algemene patronen die op groepsniveau ontstaan wanneer elke eenheid deze ingebouwde “slimheid” heeft, en zo ja, hoe?

Zwermen testen op moeilijke problemen

Om deze vraag te onderzoeken vergelijken de onderzoekers cognitieve agenten met klassieke deeltjes op twee heel verschillende uitdagingen. De eerste is functieoptimalisatie, een representatie van moeilijke zoekproblemen waarbij het doel is de beste oplossing te vinden in een hobbelig landschap vol lokale vallen. Ze introduceren LLM Agent Swarm Optimization (llmASO), waarbij een netwerk van LLM-agenten kandidaatoplossingen in natuurlijke taal voorstelt en deelt. Dit wordt vergeleken met een bekend deeltjesgebaseerd methode genaamd Particle Swarm Optimization, evenals met een enkele LLM-optimalisator die alleen werkt. In eenvoudigere landschappen vinden individuele LLM-agenten snel goede antwoorden door patronen in eerdere pogingen te herkennen. Maar in ruwere terreinen met veel lokale putten hebben eenzame agenten de neiging te snel te verzanden op nabijgelegen "goed genoeg" plekken. Zwermen van pratende agenten ontdekken daarentegen betrouwbaar de werkelijk beste regio—hoewel ze dat langzamer doen en gevoelig zijn voor hoe informatie via hun communicatienetwerk stroomt.

Hoe praten sociale patronen verandert

De tweede test herziet het klassieke Schelling-model van segregatie, dat laat zien hoe milde voorkeuren voor gelijkaardige buren kunnen leiden tot uitgesproken scheiding tussen groepen. Hier bewegen de agenten zich op een raster en behoren ze tot een van twee types; ze zijn "tevreden" als te weinig buren van hen verschillen. Voor standaarddeeltjes die eenvoudige verhuisregels volgen, verschijnen bij verandering van tolerantie drie vertrouwde fasen: een gemengde staat met constante verschuivingen, een gesegregeerde staat met duidelijke clusters, en een bevroren staat waar beweging grotendeels stopt. Cognitieve agenten gehoorzamen dezelfde basisregel van tevredenheid maar beslissen waar te verhuizen nadat ze berichten met andere agenten hebben uitgewisseld. Wanneer elke agent met elke andere kan praten, lijkt de einduitslag verrassend veel op die van de deeltjescase, wat suggereert dat het enkel toevoegen van taal en redeneren niet automatisch de bekende segregatiepatronen omverwerpt.

Netwerken en het "vogels van een veer"-effect

Het verhaal verandert zodra de structuur van gesprekken realistischer wordt gemaakt. De auteurs herschrijven het communicatienetwerk zodat agenten vooral met nabije peers praten, of zodat verbindingen patronen volgen die in veel echte sociale systemen gezien worden met een paar sterk verbonden hubs. Ze experimenteren ook met homofilie (agenten praten bij voorkeur met hetzelfde type) en heterofilie (voorkeur voor het tegenovergestelde type). Deze aanpassingen hebben sterke gevolgen: wanneer agenten vooral met gelijkgestemden converseren, coördineren ze snel, vormen efficiënt clusters, en kunnen ze zelfs de eindeloos gemengde fase vermijden. Wanneer ze voornamelijk over types heen praten, verloopt de weg naar tevredenheid trager en complexer, maar sterke segregatie kan nog steeds ontstaan—evenals elke conversatie groepsgrenzen overschrijdt. Over het geheel genomen hervormen lokale gesprekken en "vogels van een veer"-neigingen de manier waarop segregatie ontstaat, op manieren die voor niet-denkende deeltjes niet toegankelijk zijn.

Wat dit betekent voor toekomstige AI-zwermen en sociale simulaties

De auteurs concluderen dat het voorzien van elke agent van geavanceerde taalgebaseerde vaardigheden groepen niet eenvoudigweg universeel beter maakt. In plaats daarvan introduceren deze capaciteiten nieuwe krachten—zoals snelle consensusvorming en patroonexploitatie—die nuttig of schadelijk kunnen zijn afhankelijk van hoe agenten met elkaar verbonden zijn. Bij optimalisatietaken kunnen slecht ontworpen netwerken slimme agenten ertoe brengen te snel overeenstemming te bereiken over middelmatige oplossingen; het zorgvuldig beperken van informatiestroom helpt hen breder te verkennen, maar ten koste van snelheid. In sociale simulaties kunnen realistische communicatiepatronen en homofilie gedragingen genereren die verschillen van klassieke modellen en mogelijk menselijkere samenlevingen beter nabootsen. Naarmate zwermen van AI-gestuurde robots en netwerken van virtuele agenten vaker voorkomen, zal het begrijpen en afstemmen van deze collectieve effecten cruciaal zijn voor het ontwerpen van veilige, effectieve systemen.

Bronvermelding: 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

Trefwoorden: cognitieve agenten, grote taalmodellen, zwermoptimalisatie, segregatiedynamiek, netwerktopologie