Раскрывая возникновение коллективного поведения в сетях когнитивных агентов

Почему важны мыслящие рои

От коллективов роботов до онлайн‑сообществ: группы простых элементов могут демонстрировать удивительно богатое поведение. Но что происходит, если каждый элемент вовсе не прост, а обладает мощным языковым рассуждением, как современные большие ИИ‑модели? В этом исследовании изучается, как рои таких «когнитивных агентов» ведут себя по сравнению с классическими частицами, следующими заданным правилам, и что это означает для задач вроде решения проблем и моделирования обществ.

От простых частиц к говорящим агентам

Традиционные модели толп, стай или роев рассматривают индивидов как базовые частицы, следующие фиксированным правилам: двигайся к соседу, избегай столкновений, предпочитай схожих соседей и т. п. Напротив, агенты, изученные здесь, работают на основе больших языковых моделей (LLM). Они воспринимают окружение в словах, рассуждают о следующем шаге, запоминают прошлый опыт и даже общаются друг с другом. Авторы задаются центральным вопросом: если у каждого элемента есть такая встроенная «сообразительность», меняются ли общие паттерны, возникающие на уровне группы, и если да — как именно?

Тестирование роев на сложных задачах

Чтобы исследовать этот вопрос, авторы сравнивают когнитивных агентов с классическими частицами на двух принципиально разных задачах. Первая — оптимизация функции, заменяющая трудные поисковые задачи, где цель — найти наилучшее решение на неровном ландшафте, полном локальных ловушек. Они вводят LLM Agent Swarm Optimization (llmASO), где сеть LLM‑агентов предлагает и делится кандидатами в естественном языке. Это сравнивают с известным частичным методом Particle Swarm Optimization и с одиночным LLM‑оптимизатором, работающим в одиночку. На относительно простых ландшафтах одиночные LLM‑агенты быстро находят хорошие ответы, улавливая закономерности в прошлых попытках. Но в более «шершавых» рельефах с множеством локальных впадин одиночки склонны преждевременно застревать на близких «достаточно хороших» решениях. Рои говорящих агентов, напротив, надежно обнаруживают истинно лучшую область — хотя делают это медленнее и чувствительны к тому, как информация течет через их сеть общения.

Как разговоры меняют социальные паттерны

Второй тест возвращается к классической модели сегрегации Шеллинга, которая показывает, как мягкие предпочтения в пользу схожих соседей могут приводить к резкому разделению групп. Здесь агенты перемещаются по сетке и принадлежат к одному из двух типов; они «счастливы», если слишком мало соседей отличаются от них. Для стандартных частиц, следующих простым правилам переселения, по мере изменения терпимости появляются три знакомые фазы: смешанное состояние с постоянной перетасовкой, сегрегированное состояние с отчетливыми кластерами и замороженное состояние, где движения в основном прекращаются. Когнитивные агенты подчиняются тому же базовому правилу удовлетворенности, но решают, куда переместиться, после обмена сообщениями с другими агентами. Когда каждый агент может говорить со всеми остальными, итог в целом выглядит удивительно похоже на случай частиц, что указывает на то, что простое добавление языка и рассуждений само по себе не сводит на нет известные паттерны сегрегации.

Сети и эффект «птицы одного оперения»

Ситуация меняется, как только структура бесед становится более реалистичной. Авторы перестраивают сеть коммуникаций так, что агенты в основном говорят с соседями по близости, либо связи повторяют схемы, наблюдаемые во многих реальных социальных системах с несколькими высокосвязанными хабами. Они также экспериментируют с гомофилией (агенты предпочитают общаться с теми же типами) и гетерофилией (предпочитая противоположный тип). Эти изменения имеют сильные последствия: когда агентов в основном окружают похожие собеседники, они быстро координируются, эффективно формируют кластеры и могут даже избежать вечно смешанной фазы. При преимущественных разговорах между разными типами путь к «счастью» оказывается медленнее и сложнее, но сильная сегрегация все равно может возникнуть — хотя каждое общение пересекает групповые границы. В целом локальные беседы и тенденции «птицы одного оперения» перераспределяют то, как проявляется сегрегация, в способах, недоступных непонимающим частицам.

Что это значит для будущих роев ИИ и социальных симуляций

Авторы приходят к выводу, что наделение каждого агента расширенными языковыми возможностями не делает группы однозначно лучше. Вместо этого эти способности вводят новые силы — такие как быстрое достижение консенсуса и эксплуатация паттернов — которые могут быть полезны или вредны в зависимости от того, как агенты связаны между собой. В задачах оптимизации плохо продуманные сети могут заставлять умных агентов слишком быстро соглашаться на посредственные решения; сознательное ограничение потока информации помогает им шире исследовать пространство, в ущерб скорости. В социальных симуляциях реалистичные паттерны коммуникации и гомофилия могут порождать поведение, отличное от классических моделей, и лучше отражать человеческие общества. По мере того как рои роботов на базе ИИ и сети виртуальных агентов становятся все более распространёнными, понимание и настройка этих коллективных эффектов будут критичны для проектирования безопасных и эффективных систем.

Цитирование: 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

Ключевые слова: когнитивные агенты, большие языковые модели, ройная оптимизация, динамика сегрегации, топология сети