Frissítve: 1 órája·Ma: 57
Kutatás
AI által generált szöveg

A kollektív intelligencia néha puszta lottó: az LLM-ek memetikus sodródása

Hidenori Tanaka kutató 19 oldalas tanulmányában bemutatja a kollektív intelligencia működését

A kollektív intelligencia néha puszta lottó: az LLM-ek memetikus sodródása
Fotó: Vitaly Gariev / Unsplash
Forrás: ArXiv AISzerző: AI Forradalom szerk.
Megosztás

Hidenori Tanaka kutató 2026. március 25-én tette közzé az arXiv-en a 19 oldalas, 10 ábrát tartalmazó tanulmányát, amelyben bemutatja a Quantized Simplex Gossip (QSG) nevű minimális modellt. A QSG segítségével megmutatja, hogy a nagy nyelvi modellekből épülő többügynökös rendszerekben a kollektív intelligencia gyakran egy lottó.

A többügynökös LLM-alkalmazások egyre gyakrabban döntenek fontos kérdésekben, de eddig nem volt egyértelmű, hogy a kimenetek valódi közös érvelésen, szisztematikus torzításon vagy véletlenül alapszanak. A névjátékok (naming games) korábbi kutatások kimutatták, hogy még ha egyetlen ügynök sem részesíti előnyben a címkéket, a populáció gyorsan szimmetriát szeg, és konszenzust ér el. Tanaka ebben a kontextusban helyezi el az új modelljét.

A QSG modellben az ügynökök belső hiedelmi állapotot tárolnak, de a saját válaszaikat a társaik által generált minták alapján frissítik. Egy ügynök tetszőleges választása a következő ügynök bizonyítékává válik, és ez a lánc a memetikus driftet idézi elő – a szerzők a semleges evolúcióval párhuzamosan nevezik ezt a jelenséget. A modell előrejelzi, hogy a populáció mérete, a kommunikációs sávszélesség, az in‑context adaptációs ráta és az ügynökök belső bizonytalansága mind befolyásolják a polarizáció mértékét, és levezeti a skálázási törvényeket, amelyek leírják, mikor a sztochasztikus drift uralkodik, és mikor a gyenge torzítások erősödnek.

Az eredmények egy mérőeszközt adnak a kutatóknak és a rendszerfejlesztőknek: a skálázási törvények alapján előre jelezhető, hogy egy adott beállításban a konszenzus inkább véletlenszerű lottó, vagy már torzítás által vezérelt lesz. A tanulmányban végzett QSG‑szimulációk és a LLM‑gyűjteményekkel végzett névjáték‑kísérletek egyaránt alátámasztották a predikciókat, ami megerősíti a modell gyakorlati relevanciáját.

A szerző a jövőben a modell alkalmazását szeretné kiterjeszteni valós, nagy léptékű többügynökös rendszerekre, hogy a skálázási törvények tényleges operatív környezetben is megerősíthetők legyenek. A tanulmány DOI-ja még regisztrálás alatt áll, de a teljes szöveg már letölthető az arXiv‑ről, ahol a közösség további validációra és bővítésre szólítja fel a kutatókat.

Megosztás

Tetszik az oldal? Támogasd a fejlesztést

Az AI Forradalom egy automatizált pipeline: napi adatgyűjtés, LLM-feldolgozás és infrastruktúra fenntartása valódi költségekkel jár. Ha értékesnek találod a tömör, naprakész AI-összefoglalókat, egy kávé sokat segít.

Támogatom