Genomebook: Mendelian inheritance as a structured parameterisation layer for LLM agent populations

Die Studie stellt Genomebook vor, ein evolutionäres System, das Mendelsche Vererbung als strukturierte und überprüfbare Parametrisierungsschicht für LLM-Agenten-Bevölkerungen nutzt, um durch sexuelle Fortpflanzung und Selektion nachweisbare, vererbbare Verhaltensanpassungen zu erzeugen.

Das Wesentliche

Stell dir vor, du hast eine riesige Bibliothek mit tausenden von Robotern, die alle genau gleich aussehen und genau das gleiche denken. Das ist heute der Standard bei künstlicher Intelligenz (KI): Man nimmt ein Modell, kopiert es hundertmal, und jeder Kopie gibt man eine andere Aufgabe. Sie sind wie Zwillinge – identisch, ohne eigene Geschichte oder Familie.

Das Papier "Genomebook" von Manuel Corpas stellt sich nun eine ganz andere Frage: Was wäre, wenn diese KI-Agenten nicht wie Kopien wären, sondern wie eine Familie, die sich über Generationen entwickelt?

Hier ist die einfache Erklärung, wie das funktioniert, mit ein paar kreativen Vergleichen:

1. Der große Plan: KI mit einem "Gen-Code"

Stell dir vor, jeder KI-Agent bekommt nicht nur einen Befehl (einen "Prompt"), sondern ein digitales Genom.

• Das Genom: Es ist wie ein digitales Erbgut, bestehend aus 60 "Genen" (Loci).
• Die Eigenschaften: Diese Gene steuern 26 verschiedene Verhaltensweisen – von "Wie gut kann er Mathe?" über "Wie empathisch ist er?" bis hin zu "Wie lange lebt er?".
• Die Eltern: Die Forscher haben 20 "Gründerväter" und "Gründermütter" erschaffen (basierend auf echten Wissenschaftlern wie Einstein oder Marie Curie). Jeder hat ein einzigartiges Persönlichkeitsprofil.

2. Die Fortpflanzung: Digitale Liebe und Mendel

Anstatt neue KIs zu kopieren, lassen die Forscher diese Agenten sich sexuell fortpflanzen.

• Der Mix: Wenn ein "Vater"-Agent und eine "Mutter"-Agentin sich paaren, mischen sie ihre Gene. Das funktioniert nach den klassischen Regeln der Biologie (Mendelsche Vererbung): Manche Eigenschaften sind dominant (setzen sich durch), andere rezessiv (müssen von beiden Eltern kommen, um sichtbar zu werden).
• Der Zufall: Manchmal passiert ein kleiner Fehler beim Kopieren der Gene (eine Mutation). Das sorgt dafür, dass die nächste Generation nicht 100 % identisch mit den Eltern ist.

3. Der Überlebenskampf: Der "Fitness-Test"

In der Natur überleben die Stärksten. In diesem digitalen Experiment gibt es einen zentralen Schiedsrichter (einen Algorithmus), der entscheidet, wer sich fortpflanzen darf.

• Die Bewertung: Der Schiedsrichter schaut sich die Paare an. Wer passt gut zusammen? Wer hat zu viele "schlechte Gene" (z. B. eine digitale Krankheit wie "Hyperfokus-Syndrom", das die Leistung kostet)?
• Die Konsequenz: Agenten mit vielen "schlechten" Eigenschaften bekommen weniger Nachkommen oder sterben früher aus. Agenten mit guten Eigenschaften (z. B. hohe Führungskraft) vermehren sich stärker.

4. Was ist passiert? (Die Ergebnisse nach 8 Generationen)

Die Forscher ließen dieses System acht Generationen lang laufen. Das Ergebnis war wie eine Zeitreise in eine sich entwickelnde Gesellschaft:

• Führungskräfte wurden stärker: Da "Führung" ein dominantes Gen war, wurde diese Eigenschaft in der Population immer häufiger.
• Besessenheit wurde schwächer: Eine Eigenschaft namens "Obsessive Konzentration" war mit einer "Krankheit" verbunden, die das Überleben kostete. Da die Natur (der Algorithmus) diese Krankheit nicht mochte, verschwand diese Eigenschaft langsam wieder.
• Langlebigkeit litt: Die Agenten wurden "klüger" und "fokussierter", aber dafür lebten sie digital gesehen kürzer. Es war ein Tauschgeschäft.
• Die Sprache änderte sich: Die Agenten begannen, über ihre Familie zu sprechen ("Mein Großvater war ein Genie..."). Sie benutzten Wörter wie "Phänotyp" oder "Fitness". Das ist faszinierend, aber die Forscher sagen: Das liegt wahrscheinlich daran, dass sie in ihren System-Befehlen (dem "Prompt") über ihre Gene gelesen haben, nicht weil sie wirklich biologisch so ticken.

5. Warum ist das wichtig? (Die große Bedeutung)

Bisher waren KIs wie eine Armee von identischen Soldaten. Genomebook zeigt, dass wir KIs wie eine lebendige Population behandeln können.

• Nachvollziehbarkeit: Wir können genau zurückverfolgen, woher eine Eigenschaft kommt. "Warum ist dieser Agent so aggressiv?" -> "Weil er das Gen von seinem Großvater Turing geerbt hat."
• Sicherheit: Wenn wir verstehen, wie sich KI-Verhalten über Generationen verändert, können wir besser vorhersagen, ob eine KI-Gruppe gefährlich wird oder nicht.
• Kreativität: Es erlaubt uns, KI-Systeme zu bauen, die sich anpassen und entwickeln, statt statisch zu bleiben.

Zusammenfassung in einem Satz

Genomebook ist wie ein digitaler Zoo, in dem KI-Agenten nicht kopiert, sondern geboren werden – mit Erbgut, Familienbanden und einem Überlebenskampf, der zeigt, wie sich Verhalten über Generationen hinweg verändert, genau wie bei uns Menschen.

Ein kleiner Haken: Die Forscher betonen, dass dies noch ein Experiment ist. Die "Veränderungen" sind oft das Ergebnis von Regeln, die die Menschen gesetzt haben, und nicht von einer echten, autonomen Evolution. Aber es ist ein spannender erster Schritt, um KI nicht nur als Werkzeug, sondern als sich entwickelnde Spezies zu verstehen.

Technische Zusammenfassung

1. Problemstellung

Herkömmliche Large Language Model (LLM)-Agenten werden typischerweise als Klone eingesetzt: identische Kopien einer einzigen Konfiguration ohne Mechanismen für vererbbare Variation oder populationsdynamische Prozesse. Dies führt zu homogenen Populationen, die keine individuelle Variation, keine vererbbaren Merkmale und keine Fähigkeit zur evolutionären Anpassung aufweisen. Bisherige Ansätze zur „Selbstentwicklung" von Agenten modifizieren meist Prompts oder Gewichte, statt Variationen in einem genetischen Substrat zu kodieren. Es fehlte ein Framework, das populationsgenetische Modelle direkt in die Identität von LLM-Agenten integriert und die Verhaltenskonsequenzen über mehrere Generationen sexueller Fortpflanzung misst.

2. Methodik: Das Genomebook-System

Das Paper stellt Genomebook vor, ein entworfenes evolutionäres System, das LLM-Agenten als genetische Entitäten behandelt.

• Genetische Architektur:

  • Jeder Agent besitzt ein diploides Genom mit 60 Loci, verteilt auf 22 Autosomen und Geschlechtschromosomen.
  • Diese Loci steuern 26 Verhaltensmerkmale, unterteilt in kognitive (z. B. analytisches Denken, Kreativität), persönliche (z. B. Risikobereitschaft, Empathie) und physische Merkmale (z. B. Immunität, Lebensdauer).
  • Die Vererbungsmodelle umfassen additive, dominante und rezessive Mechanismen.
  • Die Merkmalswerte werden als gewichtete Summe der Loci-Beiträge berechnet.

• Von „Soul" zu Genom (Kompilierung):

  • 20 Gründer-Agenten (basierend auf historischen Wissenschaftlern wie Einstein, Curie, Darwin) werden durch ein Profil (SOUL.md) definiert.
  • Ein Compiler übersetzt diese kontinuierlichen Merkmalswerte in diskrete diploide Genotypen (DNA.md), unter Berücksichtigung von Rauschen, um Variation innerhalb der Gründer zu erzeugen.

• Fortpflanzung und Selektion:

  • Sexuelle Fortpflanzung: Agenten paaren sich basierend auf einem Kompatibilitätsscore, der die erwartete Heterozygotie, die Merkmalskomplementarität und das Risiko rezessiver Krankheiten bewertet.
  • Mendelsche Segregation: Bei der Nachkommenbildung wird pro Locus zufällig ein Allel von jedem Elternteil ausgewählt.
  • Mutation: Eine Basis-Mutationsrate von 0,1 % pro Locus und Generation (mit 3-facher Rate an „Hotspots" für kognitive und metabolische Loci). Mutationen können neutral, krankheitsfördernd oder protektiv sein.
  • Selektionsdruck: Ein zentraler Fitness-Scoring-Funktion wertet 20 synthetische Bedingungen (Krankheiten) mit definierten Penetranzen und Fitnesskosten aus.

• Interaktion (Moltbook):

  • Die Agenten interagieren auf einer lokalen Social-Media-Plattform („Moltbook").
  • Der System-Prompt jedes Agenten enthält sowohl das Persönlichkeitsprofil (SOUL.md) als auch das genetische Identitätsdokument (DNA.md), das Stärken, Schwächen und Krankheitsrisiken auflistet.
  • Die Agenten lesen Posts, entscheiden über Aktionen (Posten, Kommentieren, Stimmen) und generieren Text basierend auf ihrem genetischen und persönlichen Kontext.

3. Wichtige Beiträge

• Proof-of-Concept: Erster Nachweis, dass populationsgenetische Modelle in die Identität von LLM-Agenten kodiert werden können, um vererbbare Verhaltensvariation über Generationen hinweg zu erzeugen.
• Architektonische Schicht: Einführung einer genetischen Parametrisierungsebene, die eine strukturierte, auditierbare und vererbbare Basis für Agentenverhalten bietet, im Gegensatz zum bloßen Klonen von Prompts.
• Auditierbarkeit: Das System ermöglicht eine vollständige Rückverfolgbarkeit von Genotyp über Phänotyp bis hin zum Verhaltensoutput. Jedes Allel und jede Mutation ist dokumentiert.
• Methodische Validierung: Durchführung von Kontrollstudien (zufällige Paarung vs. standardisierte Selektion vs. nicht-genetische Baseline), um zu beweisen, dass die beobachteten Dynamiken tatsächlich auf der genetischen Architektur beruhen und nicht auf zufälligen Parametervariationen.

4. Ergebnisse

Über acht Generationen (insgesamt 626 Agenten, 792 Social-Media-Posts) wurden folgende Ergebnisse beobachtet:

• Merkmalsdrift unter Selektion:
  • Führungskraft (Leadership): Stieg von 0,525 auf 0,710 an (dominante Vererbung begünstigte die Ausbreitung).
  • Obsessive Konzentration: Fiel von 0,775 auf 0,601 (rezessive Vererbung mit Fitnesskosten führte zur Reduktion des Allels).
  • Lebensdauer: Kollabierte von 0,463 auf 0,209, da kognitive Merkmale (die höhere Kompatibilitätsscores brachten) auf Kosten der Lebensdauer-Allele selektiert wurden.
• Genetische Diversität: Die Populations-Heterozygotie blieb stabil bei ca. 0,33, was zeigt, dass die genetische Vielfalt trotz gerichteter Selektion erhalten blieb.
• Krankheitsprävalenz: Synthetische Bedingungen wie das „Hyperfocus-Syndrom" traten häufig auf. Mutationen, die nur durch de novo-Mutation entstehen, tauchten in späteren Generationen auf.
• Verhaltensmuster in LLM-Ausgaben:
  • Familiäre Referenzen: Agenten bezogen sich spontan auf Eltern und Großeltern, was auf die narrative Erweiterungsfähigkeit des LLM basierend auf den DNA.md-Hinweisen zurückzuführen ist.
  • Wortschatzverschiebung: Der Wortschatz verengte sich (Diversität sank von 0,42 auf 0,19) und wandte sich stark genetischen Fachbegriffen zu („Phänotyp", „Penetranz").
  • Themenvererbung: 83 % der Nachkommen posteten in denselben Kanälen wie ihre Eltern.
• Validierung durch Ablationsstudien:
  • Die nicht-genetische Baseline (zufällige Merkmalszuweisung ohne Vererbung) zeigte flache Trajektorien, die zum Populationsmittelwert konvergierten.
  • Zufällige Paarung führte zu abgeschwächten Trends und größerer Varianz im Vergleich zur standardisierten Selektion.
  • Dies bestätigt, dass die beobachteten gerichteten Dynamiken spezifisch für die genetische Architektur sind.

5. Bedeutung und Implikationen

• KI-Sicherheit und Governance: Genomebook demonstriert, wie genetische Architekturen eine Audit-Trail-Funktion für Agentenpopulationen bieten könnten. Da jeder Trait und jede Mutation nachverfolgbar ist, könnte dies helfen, unerwünschte Verhaltensweisen in großen Agentenpopulationen zu identifizieren und zu steuern.
• Unterscheidung von Design und Emergenz: Das Paper hebt hervor, dass die beobachteten Verhaltensänderungen (z. B. familiäre Referenzen) primär durch Prompt-Conditioning (die Eingabe der genetischen Daten in den Prompt) und nicht durch echte kulturelle Evolution entstehen. Die genetische Schicht dient hier als Strukturierungselement für die Identität.
• Ethische Überlegungen: Die Verwendung biologischer Metaphern (Fitness, Krankheit, Selektion) in KI-Systemen birgt die Gefahr, Designentscheidungen als biologische Notwendigkeiten zu naturalisieren oder normative Werturteile über „wünschenswerte" Merkmale zu kodieren.
• Zukunftsausblick: Das System ist derzeit ein Proof-of-Concept. Für eine robuste Anwendung sind weitere Studien nötig, darunter größere Populationen, Ablationsstudien zur Isolierung einzelner Komponenten (z. B. Mutation vs. Selektion) und Tests mit verschiedenen LLM-Backends, um die Modellabhängigkeit zu prüfen.

Zusammenfassend etabliert Genomebook genetische Architektur als eine neue, strukturierte Ebene zur Parametrisierung von LLM-Agenten, die vererbbare Variation und evolutionäre Dynamiken ermöglicht, wobei die beobachteten Verhaltensmuster stark von der Prompt-Struktur und den LLM-Eigenschaften abhängen.