🤖 AI

Same physical state, different collective dynamics: state encodings select synchronization outcomes in language-model agents

Este artículo demuestra que las codificaciones de estado no son interfaces neutrales para los agentes de modelos de lenguaje, sino que funcionan como leyes de interacción efectivas dependientes del modelo que determinan fundamentalmente los resultados de la sincronización colectiva, incluso cuando el sistema físico subyacente permanece fijo.

Autores originales: Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

Publicado 2026-08-10

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un mundo donde miles de diminutos e invisibles bailarines intentan moverse en perfecta unión. No pueden verse directamente entre sí; en su lugar, dependen de un traductor para describir los movimientos de la multitud. Si el traductor dice: "Todos se mueven ligeramente hacia la izquierda", el bailarín podría dar un paso a la izquierda. Pero, ¿qué pasa si el traductor dice: "La posición promedio de la multitud es 30 grados al norte"? ¿O qué tal si dice: "Aquí hay un gráfico que muestra 24 diferentes cubetas de movimiento"? Aunque la pista de baile real no haya cambiado, la reacción del bailarín podría ser totalmente diferente dependiendo de cómo se describa la información. Este es el corazón de un nuevo estudio que explora cómo se comportan los agentes de Inteligencia Artificial (IA) cuando forman parte de un grupo.

En el mundo de la informática, los investigadores están construyendo cada vez más "enjambres" de agentes de IA: programas que hablan entre sí para resolver problemas, tomar decisiones o incluso simular sociedades humanas. Una idea clave en la física y las matemáticas es la "sincronización", como las luciérnagas parpadeando juntas o los relojes marcando el tiempo. Por lo general, los científicos asumen que si le das a una IA los mismos hechos, esta actuará de la misma manera. Pero esta nueva investigación plantea una pregunta complicada: ¿Importa el formato de los hechos? Si le dices a una IA "la multitud está un 60% hacia la izquierda" frente a "aquí hay una lista de 24 números que suman un 60%", ¿procesará la IA eso de manera diferente? La respuesta podría cambiar la forma en que construimos desde sistemas de tráfico hasta mercados financieros, porque si la "traducción" cambia el resultado, entonces la forma en que hablamos con la IA es tan importante como lo que decimos.

El Gran Duelo de Baile de la IA

Los investigadores prepararon una gigantesca pista de baile digital con 17 agentes de IA. Cada agente era un "oscilador de fase", un término elegante para un bailarín que gira en un círculo. Su objetivo no era ganar un premio; simplemente se les dijo que observaran a sus vecinos y decidieran si girar más rápido (avanzar), girar más lento (retrasar) o quedarse quietos (permanecer). El motor informático que dirigía la pista de baile era perfectamente justo e idéntico para todos. Lo único que cambiaba era el "mapa de observación": la forma específica en que se le informaba a la IA sobre las posiciones de sus vecinos.

El equipo probó tres formas diferentes de describir la misma pista de baile:

El Mapa de "Momentos": Esto era como darle a la IA un resumen de alto nivel, un "chequeo de vibras" que comprimía todo el movimiento de la multitud en solo tres números que describían la dirección general y qué tan estrechamente estaban agrupados.
El Mapa de "Centros": Esta era una lista detallada de 24 cubetas, diciéndole a la IA exactamente cuántos bailarines había en cada sección del círculo, etiquetada por el punto central de esa sección.
El Mapa de "Intervalos": Era la misma lista detallada de 24 cubetas, pero etiquetada por los bordes de las secciones en lugar de los centros.

Aquí está el giro: Los mapas de "Centros" e "Intervalos" contenían la misma cantidad de información exacta (los mismos 24 números), solo que escritos con etiquetas diferentes. El mapa de "Momentos" tenía menos datos brutos, pero un tipo de resumen distinto.

Los Resultados: Todo es Cuestión de Presentación

Cuando los investigadores realizaron el experimento con GPT (un modelo de IA específico), los resultados fueron impactantes. Cuando la IA veía el resumen de "Momentos", el grupo entero de 17 bailarines lograba una sincronización perfecta el 100% de las veces (6 de 6 intentos). Pero cuando veían las listas de "Centros" o "Intervalos", el grupo nunca se sincronizaba (0 de 6 intentos). Los agentes de IA actuaban como si estuvieran en un mundo completamente diferente, a pesar de que la pista de baile física era idéntica.

Para asegurarse de que no fuera solo una casualidad, repitieron la misma prueba con Claude y Gemini, dos otros modelos de IA. Los resultados fueron aún más sorprendentes. En Claude, el resumen de "Momentos" causó que el grupo fallara en sincronizarse, mientras que las listas detalladas de "Centros" e "Intervalos" hicieron que se unieran perfectamente. Los modelos de IA no solo reaccionaron de manera diferente; reaccionaron en direcciones opuestas.

Esto demuestra que el "mapa de observación" no es solo una ventana neutral hacia la realidad. Es parte del cerebro de la IA. Cambiar cómo describes el mundo cambia cómo actúa la IA, y este efecto sobrevive incluso cuando la IA es parte de un bucle de retroalimentación donde sus acciones cambian el mundo que ve a continuación.

El Misterio Microscópico

Para entender por qué sucedió esto, los investigadores analizaron la "respuesta microscópica" de la IA: qué decidía hacer la IA cuando se le mostraba una instantánea única y congelada de la pista de baile. Descubrieron que el "operador" de toma de decisiones de la IA (su regla interna para elegir avanzar, permanecer o retrasar) cambiaba drásticamente según la codificación.

Por ejemplo, ante un patrón específico de bailarines, la IA de "Momentos" podría casi siempre elegir "avanzar", mientras que la IA de "Centros" podría elegir mayormente "permanecer". Esto sucedía incluso cuando los investigadores usaban exactamente los mismos números, solo que reorganizados. Incluso probaron si era el largo del texto o la posición de los números lo que importaba. Descubrieron que añadir texto "irrelevante para la tarea" (relleno que no cambiaba los números) cambiaba el comportamiento de la IA tanto como cambiar el formato de los datos en sí.

La Prueba del "Sustituto": ¿Podemos Fingirlo?

Finalmente, el equipo planteó una pregunta práctica: ¿Podríamos entrenar a un programa informático simple y económico (un "sustituto") para predecir lo que haría la costosa IA, de modo que no tengamos que ejecutar la IA real cada vez? Intentaron construir estos sustitutos para los tres mapas diferentes.

El sustituto de "Momentos" pudo ser entrenado para predecir el comportamiento de la IA con precisión, pero solo después de que los investigadores corrigieran un error específico donde la IA debía "permanecer" pero el sustituto predecía que "actuaría". Sin embargo, los sustitutos para los mapas de "Centros" e "Intervalos" fallaron por completo. Aunque podían predecir el comportamiento de la IA en los datos de entrenamiento, no pudieron manejar los nuevos y complejos patrones que la IA generaba cuando realmente bailaba en grupo. Los investigadores descubrieron que, para estos mapas, el comportamiento de la IA era demasiado inconsistente para ser predicho por un modelo simple, lo que sugiere que la forma en que la información fue serializada (escrita) creó un efecto caótico que la matemática simple no pudo capturar.

La Conclusión

El hallazgo principal es que, para los agentes de IA, cómo describes el mundo es parte de las reglas del mundo. No existe una interfaz "neutral". Si cambias el formato de los datos, cambias el resultado colectivo, y este cambio depende enteramente de qué modelo de IA estés utilizando. Lo que funciona para GPT puede fallar para Claude, y lo que ayuda a un grupo a sincronizarse puede romper a otro.

Esto no es solo una curiosidad teórica. Significa que cuando construimos sistemas con múltiples agentes de IA, no podemos simplemente asumir que "más datos" o "mejores datos" es la solución. Tenemos que ser increíblemente cuidadosos con el "mapa de observación": la forma específica en que traducimos la realidad en texto para la IA. Porque, como muestra este estudio, la traducción no es solo un espejo; es una lente que distorsiona la realidad que se supone debe mostrar.

Resumen Técnico: Las codificaciones de estado seleccionan resultados de sincronización en agentes de modelos de lenguaje

Planteamiento del problema
Los agentes de modelos de lenguaje (LM) actúan sobre descripciones codificadas de su entorno en lugar de sobre el estado físico mismo. Si bien está establecido que las salidas de los LM son sensibles al formato del prompt, al orden de la información y al etiquetado en interacciones de un solo turno, sigue siendo desconocido si estas sensibilidades sobreviven en los bucles de retroalimentación multi-agente. Específicamente, ¿un cambio en el "mapa de observación" (la transformación de un estado físico en una cadena de texto) altera el operador de respuesta microscópica de un agente, y este cambio microscópico se propaga a través de la retroalimentación para producir resultados colectivos macroscópicos cualitativamente diferentes? Los autores argumentan que, si las codificaciones de estado no son interfaces neutrales sino parte de la política efectiva, entonces sistemas físicos idénticos impulsados por diferentes codificaciones podrían converger hacia distintas convenciones sociales o estados de mercado.

Metodología
Los autores diseñaron un ensayo de sincronización circular mínimo y sin estado utilizando modelos de lenguaje preentrenados (GPT-5.4-mini, Claude Haiku 4.5 y Gemini 3.5 Flash) como agentes en un sistema de osciladores acoplados.

Dinámica del sistema: Una población de $N=17$ agentes posee fases $x_i(t)$ . En cada paso, un motor determinista actualiza las fases basándose en un incremento natural $\omega_i$ y un término de acoplamiento $K f_i(t)$ , donde $f_i(t) \in \{-1, 0, +1\}$ (retrasar, permanecer, avanzar) es la acción del agente. El modelo no recibe historial, identidad ni fase absoluta; solo ve una descripción textual de las fases relativas de sus pares.
Mapas de observación (Intervención): El campo de fase relativa físico fue codificado en texto utilizando tres mapas distintos, todos derivados del mismo histograma de 24 contenedores (bins) del campo:
1. Momentos: Los tres primeros momentos circulares (componentes real e imaginaria), que resumen la dirección media y la concentración.
2. Centros: Un histograma de 24 contenedores etiquetado por centros de contenedor.
3. Intervalos: Las mismas masas de los contenedores etiquetadas por intervalos de medio abierto.
Controles experimentales:
- Semillas coincidentes: Los experimentos colectivos utilizaron semillas físicas idénticas a través de las codificaciones para aislar el efecto de la codificación en la trayectoria.
- Reproducción de campo idéntico: Para desacoplar la codificación del bucle de retroalimentación, los autores congelaron 48 campos físicos generados durante las ejecuciones colectivas y los presentaron nuevamente a los modelos bajo las tres codificaciones. Esto aisló el "operador de respuesta microscópica" (la distribución de probabilidad de las acciones dado un campo fijo).
- Controles de misma información: Se probaron variantes de la codificación de "Momentos" donde los valores numéricos eran idénticos, pero el diseño (narrativa vs. tabla) o el contexto (relleno irrelevante para la tarea) cambiaban.

Resultos clave

Divergencia macroscópica: Cambiar la codificación por sí solo desplazó sistemáticamente los resultados de sincronización colectiva. En GPT, la codificación de "Momentos" sincronizó la población en 6/6 semillas con acoplamiento positivo ( $K=0.08, 0.15$ ), mientras que ambas codificaciones de histograma ("Centros" e "Intervalos") fallaron en sincronizar (0/6). Por el contrario, en Claude, la relación se invirtió: "Momentos" falló en sincronizar (0/6), mientras que las codificaciones de histograma tuvieron éxito (6/6). Esto demuestra que el mapeo de codificación-a-resultado es específico de la familia de modelos y no una propiedad intrínseca de la codificación.
Desplazamiento del operador microscópico: La "Reproducción de campo idéntico" confirmó que la codificación altera el operador de respuesta microscópica. Para el mismo campo físico congelado, las distribuciones de acción (probabilidades de avanzar/permanecer/retrasar) difirieron significativamente entre las codificaciones. La distancia de variación total media por pares entre los operadores fue de 0.344, superando ampliamente el ruido de prueba-retest (0.092).
Sensibilidad de presentación: Incluso cuando la información numérica relevante para la tarea (los momentos) se mantenía fija, el cambio en la presentación (por ejemplo, añadir contexto irrelevante para la tarea o cambiar el diseño) alteró significativamente el operador de respuesta. Añadir contexto irrelevante desplazó el operador en 0.414, una magnitud comparable a la diferencia entre distintas codificaciones ricas en información.
Fallo del sustituto: Los autores intentaron entrenar modelos sustitutos para predecir las acciones de los agentes a partir de los descriptores del campo para reemplazar las llamadas costosas a los LM en las simulaciones. Aunque todas las codificaciones pasaron las pruebas de compresibilidad in-distribución, solo la rama de "Momentos" pasó la verificación de "soporte de bucle cerrado" (verificando que los datos de entrenamiento cubren los campos generados por la población interactuante). Las ramas de histogramas fallaron esta etapa, indicando que sus leyes de respuesta aprendidas no eran robustas a la distribución del estado en el bucle cerrado.

Significancia y afirmaciones
El artículo afirma que el mapa de observación es un componente de la política efectiva implementada por un agente de modelo de lenguaje, no una interfaz neutral.

Ley de interacción efectiva: La representación del estado es parte de la ley de interacción efectiva. Cambiar la serialización del mismo estado físico puede seleccionar diferentes resultados colectivos (por ejemplo, sincronización vs. orden parcial) e incluso puede revertir la dirección de esta selección a través de diferentes familias de modelos.
Supervivencia de la retroalimentación: La sensibilidad al formato del prompt y a la serialización no se limita a las interacciones de un solo turno; sobrevive y se amplifica en los bucles de retroalimentación, conduciendo a estados macroscópicos cualitativamente diferentes.
Implicaciones de evaluación: Los autores argumentan que la validación de sistemas multi-agente no puede basarse en la analogía entre modelos o codificaciones. Una codificación que funciona para una familia de modelos puede fallar o producir resultados opuestos en otra. Además, los serializadores de observación deben tratarse como componentes versionados que requieren re-validación con el modelo específico y en el contexto de bucle cerrado específico en el que operan.

El estudio concluye que "las codificaciones de estado forman parte de una ley de interacción efectiva dependiente del modelo", desafiando la suposición de que los agentes actúan sobre una realidad subyacente consistente independientemente de cómo se describa dicha realidad.

El Gran Duelo de Baile de la IA

Los Resultados: Todo es Cuestión de Presentación

El Misterio Microscópico

La Prueba del "Sustituto": ¿Podemos Fingirlo?

La Conclusión

Más como este