Att nysta upp uppkomsten av kollektivt beteende i nätverk av kognitiva agenter

Varför tänkande svärmar spelar roll

Från robotkollektiv till onlinegemenskaper kan grupper av enkla enheter uppvisa förvånansvärt rikt beteende. Men vad händer när varje enhet inte alls är enkel, utan istället har kraftfull språkbaserad resonemangsförmåga likt dagens stora AI-modeller? Denna studie utforskar hur svärmar av sådana ”kognitiva agenter” beter sig jämfört med klassiska regelstyrda partiklar, och vad det betyder för uppgifter som problemlösning och simulering av samhällen.

Från enkla partiklar till talande agenter

Traditionella modeller för folkmassor, flockar eller svärmar ser individer som grundläggande partiklar som följer fasta regler: rör dig mot en granne, undvik kollisioner, föredra lika grannar och så vidare. I kontrast drivs de agenter som studeras här av stora språkmodeller (LLM). De uppfattar sin omgivning i ord, resonerar om vad som bör göras härnäst, minns tidigare erfarenheter och pratar till och med med varandra. Författarna ställer en central fråga: när varje enhet har denna inbyggda ”skärpa”, förändras då de mönster som uppstår på gruppnivå, och i så fall hur?

Test av svärmar på svåra problem

För att undersöka detta jämför forskarna kognitiva agenter med klassiska partiklar i två mycket olika utmaningar. Den första är funktionsoptimering, en modell för svåra sökproblem där målet är att hitta den bästa lösningen i ett kuperat landskap fyllt av många lokala fällor. De introducerar LLM Agent Swarm Optimization (llmASO), där ett nätverk av LLM-agenter föreslår och delar kandidatlösningar i naturligt språk. Detta jämförs med en välkänd partikelbaserad metod kallad Particle Swarm Optimization samt en enskild LLM-optimizer som arbetar ensam. I enklare landskap hittar enskilda LLM-agenter snabbt bra svar genom att upptäcka mönster i tidigare försök. Men i mer kuperade terränger med många lokala gropar tenderar ensamma agenter att slå sig till ro för snabbt på närliggande ”tillräckligt bra” platser. Svärmar av talande agenter, däremot, upptäcker pålitligt den verkliga bästa regionen—även om de gör det långsammare och är känsliga för hur information flödar genom deras kommunikationsnätverk.

Hur prat förändrar sociala mönster

Det andra testet återbesöker den klassiska Schelling-modellen för segregation, som visar hur milda preferenser för lika grannar kan leda till skarp separation mellan grupper. Här rör sig agenterna på ett rutnät och tillhör en av två typer; de är ”nöjda” om alltför få grannar skiljer sig från dem. För standardpartiklar som följer enkla omlokaliseringsregler uppträder tre välkända faser när toleransen ändras: ett blandat tillstånd med konstant omflyttning, ett segregerat tillstånd med tydliga kluster och ett fruset tillstånd där rörelser till stor del upphör. Kognitiva agenter följer samma grundläggande tillfredsställelseregel men bestämmer var de ska flytta efter att ha utbytt meddelanden med andra agenter. När varje agent kan prata med varje annan ser det stora utfallet förvånansvärt likt partikel-fallet ut, vilket tyder på att att bara lägga till språk och resonemang inte automatiskt slår om välkända segregeringsmönster.

Nätverk och "fåglar av en fjäder"-effekter

Berättelsen förändras när samtalsstrukturen görs mer realistisk. Författarna kopplar om kommunikationsnätet så att agenter huvudsakligen pratar med närbelägna kamrater, eller så att kopplingarna följer mönster som ses i många verkliga sociala system med några få mycket uppkopplade nav. De experimenterar också med homofili (agenter som i första hand pratar med samma typ) och heterofili (föredrar motsatt typ). Dessa justeringar får starka konsekvenser: när agenter mestadels samtalar med likasinnade samordnar de snabbt, bildar kluster effektivt och kan till och med undvika den ändlösa blandningsfasen. När de främst talar över typer är vägen till tillfredsställelse långsammare och mer komplex, men stark segregation kan ändå uppstå—trots att varje samtal korsar gruppgränser. Sammantaget omformar lokala samtal och "fåglar av en fjäder"-tendenser hur segregation uppstår, på sätt som icke-tänkande partiklar inte kan åstadkomma.

Vad detta betyder för framtida AI-svärmar och sociala simuleringar

Författarna drar slutsatsen att att ge varje agent avancerade språkbaserade förmågor inte per automatik gör grupper universellt bättre. Istället introducerar dessa förmågor nya krafter—såsom snabb konsensus och mönsterutnyttjande—som kan vara hjälpsamma eller skadliga beroende på hur agenterna är kopplade. I optimeringsuppgifter kan dåligt designade nätverk få smarta agenter att för snabbt enas om mediokra lösningar; att noggrant begränsa informationsflödet hjälper dem att utforska mer brett, på bekostnad av hastighet. I sociala simuleringar kan realistiska kommunikationsmönster och homofili framkalla beteenden som skiljer sig från klassiska modeller och bättre spegla mänskliga samhällen. När svärmar av AI-drivna robotar och nätverk av virtuella agenter blir vanligare blir förståelsen och justeringen av dessa kollektiva effekter avgörande för att utforma säkra, effektiva system.

Citering: 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

Nyckelord: kognitiva agenter, stora språkmodeller, svärmsoptimering, segregeringsdynamik, nätverkstopologi