Zihinsel ajan ağlarında kolektif davranışın ortaya çıkışını çözümlemek

Düşünen sürülerin önemi

Robot topluluklarından çevrimiçi topluluklara kadar, basit birimlerden oluşan gruplar şaşırtıcı derecede zengin davranışlar sergileyebilir. Peki her bir birim aslında basit değilse ve günümüzün güçlü yapay zeka modelleri gibi dil temelli güçlü akıl yürütme yeteneklerine sahipse ne olur? Bu çalışma, bu tür “kognitif ajan” sürülerinin klasik kural-izleyen parçacıklarla karşılaştırıldığında nasıl davrandığını ve bunun problem çözme ya da toplumları simüle etme gibi görevler için ne anlama geldiğini araştırıyor.

Basit parçacıklardan konuşan ajanlara

Kalabalık, sürü veya sürümlerle ilgili geleneksel modeller, bireyleri sabit kuralları takip eden temel parçacıklar olarak ele alır: bir komşuya doğru hareket et, çarpışmalardan kaçın, benzer komşuları tercih et vb. Buna karşılık burada incelenen ajanlar büyük dil modelleri (LLM’ler) ile güçlendirilmiştir. Çevrelerini sözcüklerle algılarlar, bir sonraki adım için akıl yürütürler, geçmiş deneyimleri hatırlar ve hatta birbirleriyle konuşurlar. Yazarlar merkezi bir soruyu sorar: her bir birim bu yerleşik “zeka”ya sahip olduğunda, grup düzeyinde ortaya çıkan genel desenler değişir mi ve değişiyorsa nasıl değişir?

Zor problemlerde sürüleri test etmek

Bu soruyu araştırmak için araştırmacılar kognitif ajanları klasik parçacıklarla iki çok farklı zorlukta karşılaştırırlar. İlki fonksiyon optimizasyonudur; bu, hedefin birçok yerel tuzakla dolu engebeli bir arazide en iyi çözümü bulmak olduğu zor arama problemlerinin bir temsilidir. Doğal dilde aday çözümler öneren ve paylaşan bir LLM ajan ağı olan LLM Agent Swarm Optimization (llmASO) tanıtırlar. Bu yöntem, Parçacık Sürü Optimizasyonu (Particle Swarm Optimization) adıyla bilinen iyi tanınmış parçacık tabanlı bir yöntem ve yalnız çalışan tek bir LLM optimizatörü ile karşılaştırılır. Daha basit arazilerde, tekil LLM ajanları geçmiş denemelerdeki desenleri fark ederek hızla iyi cevaplar bulur. Ancak birçok yerel çukura sahip engebeli arazilerde, tek başına ajanlar genellikle yakınlardaki “yeterince iyi” noktalara çok çabuk yerleşme eğilimindedir. Buna karşın konuşan ajan sürüleri, daha yavaş olsalar ve iletişim ağlarında bilginin nasıl aktığına duyarlı olsalar da, güvenilir şekilde gerçek en iyi bölgeyi keşfederler.

Konuşmanın sosyal desenleri nasıl değiştirdiği

İkinci test, benzer komşuları tercih etmenin hafif eğilimlerinin gruplar arasında keskin ayrışmaya yol açabileceğini gösteren klasik Schelling ayrışma modelini yeniden inceler. Burada ajanlar bir ızgara üzerinde hareket eder ve iki türden birine aittir; çok az komşu onlardan farklıysa “mutlu” sayılırlar. Basit yeniden yerleşim kurallarını izleyen standart parçacıklar için tolerans değiştikçe üç tanıdık faz ortaya çıkar: sürekli karışımın olduğu bir karışık durum, belirgin kümelerin oluştuğu ayrışmış bir durum ve hareketin büyük ölçüde durduğu donmuş bir durum. Kognitif ajanlar aynı temel memnuniyet kuralına uyar, ancak nereye taşınacaklarına diğer ajanlarla mesajlaşarak karar verirler. Her ajanın herkese konuşabildiği durumda, büyük resim çıktısı parçacık vakasına şaşırtıcı derecede benzer görünür; bu da dil ve akıl yürütme eklemenin bilinen ayrışma desenlerini otomatik olarak alt üst etmediğini düşündürür.

Ağlar ve “tacı benzer olanlar” etkileri

Sohbetlerin yapısı daha gerçekçi hale getirildiğinde hikâye değişir. Yazarlar iletişim ağını, ajanların çoğunlukla yakın eşlerle konuşmasını sağlayacak şekilde veya bağlantıların birkaç yüksek bağlantılı merkez gördüğümüz gerçek dünya sosyal sistemlerindeki desenleri izleyecek şekilde yeniden düzenler. Ayrıca homofili (ajanların aynı türe öncelik vererek konuşması) ve heterofili (karşıt türe öncelik verme) ile deneyler yaparlar. Bu ayarlamalar güçlü sonuçlar doğurur: ajanlar çoğunlukla benzer eşlerle konuştuğunda hızlıca koordine olurlar, kümelenmeyi verimli şekilde oluştururlar ve hiç bitmeyen karışık fazı bile önleyebilirler. Türler arası konuşmaya ağırlık verdiklerinde ise mutluluğa ulaşma yolu daha yavaş ve daha karmaşık olur, yine de güçlü ayrışma ortaya çıkabilir—her konuşma grup sınırlarını aşsa bile. Genel olarak, yerel konuşmalar ve “tacı benzer olanlar” eğilimleri ayrışmanın nasıl ortaya çıktığını, düşünmeyen parçacıkların erişemeyeceği şekilde yeniden şekillendirir.

Geleceğin yapay zeka sürüleri ve sosyal simülasyonları için anlamı

Yazarlar, her ajana gelişmiş dil temelli yetenekler vermenin grupları evrensel olarak daha iyi yapmadığı sonucuna varır. Bunun yerine, bu yetenekler hızlı konsensüs ve desen sömürüsü gibi yeni kuvvetler getirir—bunlar, ajanların nasıl birbirine bağlandığına bağlı olarak faydalı veya zararlı olabilir. Optimizasyon görevlerinde, kötü tasarlanmış ağlar zeki ajanları vasat çözümlerde çok hızlıca anlaşmaya zorlayabilir; bilginin akışını dikkatle sınırlamak, hız pahasına daha geniş keşif yapmalarına yardımcı olur. Sosyal simülasyonlarda ise gerçekçi iletişim desenleri ve homofili klasik modellerden farklı davranışlar üretebilir ve insan toplumlarını daha iyi yansıtabilir. Yapay zekâ destekli robot sürüleri ve sanal ajan ağları yaygınlaştıkça, bu kolektif etkileri anlamak ve ayarlamak güvenli, etkili sistemler tasarlamak için hayati olacaktır.

Atıf: 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

Anahtar kelimeler: kognitif ajanlar, büyük dil modelleri, sürü optimizasyonu, ayrışma dinamikleri, ağ topolojisi