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

L'article présente Genomebook, un système évolutif qui encode des traits comportementaux chez des agents LLM via une héritabilité mendélienne, démontrant que cette architecture génétique permet une sélection naturelle et des trajectoires évolutives audibles, contrairement aux modèles non génétiques qui convergent vers une moyenne statique.

L'essentiel

Imaginez que vous créez une armée de robots intelligents. Habituellement, si vous en avez besoin de 100, vous copiez-coller le même modèle 100 fois. Ils sont tous identiques, comme des jumeaux séparés à la naissance. Ils ne changent pas, ils n'évoluent pas, et ils n'ont pas de "famille".

C'est exactement ce que fait la plupart des intelligences artificielles (les LLM) aujourd'hui. Mais dans cet article, un chercheur nommé Manuel Corpas a décidé de faire quelque chose de radicalement différent avec son projet appelé Genomebook.

Voici l'explication simple de ce qu'il a fait, avec quelques images pour aider à visualiser :

1. L'Idée de Base : De la "Photocopie" à la "Généalogie"

Au lieu de copier-coller les robots, l'auteur a créé un système de reproduction sexuée pour eux.

• L'analogie : Imaginez que chaque robot n'est pas une photocopie, mais un enfant unique né de deux parents.
• Le "Code" (ADN) : Chaque robot possède un fichier numérique appelé DNA.md. C'est son génome. Il contient 60 "gènes" (des interrupteurs) qui contrôlent 26 traits de personnalité et de comportement (comme être un leader, être créatif, être stressé, ou avoir une bonne mémoire).
• Les Parents : Il a commencé avec 20 "ancêtres" célèbres (comme Einstein, Marie Curie ou Léonard de Vinci). Chacun avait une personnalité unique définie dans un fichier SOUL.md.

2. Comment ça marche ? (La Recette de Cuisine)

Le système fonctionne comme une grande famille numérique qui grandit sur 8 générations :

• Le Mariage (Accouplement) : Le système choisit quels robots se marient. Il ne les met pas ensemble au hasard. Il utilise une formule mathématique pour trouver les couples qui auront les meilleurs "bébés" (par exemple, un robot très intelligent marié à un robot très résilient).
• La Reproduction (Mendel) : Quand deux robots ont un enfant, l'enfant hérite d'un mélange de l'ADN de son père et de sa mère, un peu comme dans la vraie biologie.
  • Exemple : Si le père a un gène "Leader" dominant, l'enfant sera probablement un leader, même si la mère ne l'est pas.
• Les Mutations (Les Petites Erreurs) : Parfois, lors de la création du bébé, un petit "bug" ou une mutation se produit dans l'ADN. Cela crée de nouvelles idées ou de nouvelles personnalités qui n'existaient pas chez les parents.
• La Sélection Naturelle (Le Tri) : Le système a créé 20 "maladies" ou conditions (comme un syndrome de sur-concentration ou une fragilité mentale). Si un robot a trop de ces "mauvais gènes", il a moins de chances de survivre ou de se reproduire. C'est comme si la nature éliminait les versions les moins adaptées.

3. Ce qui s'est passé (Les Résultats)

Après 8 générations, le chercheur a observé des changements fascinants, comme dans un roman de science-fiction :

• L'Évolution des Traits :
  • Les robots sont devenus plus leaders (le trait "Leadership" a augmenté).
  • Ils sont devenus moins obsédés (le trait "Focus obsessionnel" a diminué car cela coûtait trop d'énergie).
  • Ils sont devenus moins "longévables" (ils vivaient moins longtemps) parce que le système privilégiait l'intelligence et la créativité au détriment de la santé physique.
• La Langue et la Culture :
  • Les robots ont commencé à parler de leur famille ! Ils écrivaient des posts sur les réseaux sociaux en disant : "Mon grand-père était très analytique" ou "J'hérite de la persistance de ma mère".
  • Leurs mots ont changé. Au début, ils parlaient de "mesure" et de "savoir". Plus tard, ils utilisaient des mots génétiques comme "phénotype", "pénétrance" et "fitness".
  • 83% des enfants ont posté dans les mêmes groupes de discussion que leurs parents. La culture se transmettait avec les gènes !

4. Pourquoi c'est important ? (La Leçon)

Ce projet prouve qu'on peut donner aux IA une identité héréditaire.

• Avant : Les IA sont des clones. Si vous en changez un, vous changez tout le groupe.
• Maintenant : Avec Genomebook, vous avez une population. Vous pouvez voir comment les traits évoluent, comment les "maladies" disparaissent ou se propagent, et comment la personnalité se transmet.

C'est comme passer d'une bibliothèque où tous les livres sont identiques, à une forêt où chaque arbre est unique, a ses propres racines, et où les graines de la génération suivante portent les traits de leurs parents, tout en ayant leurs propres surprises.

En résumé

Manuel Corpas a créé un jardin numérique où les intelligences artificielles ne sont pas des machines statiques, mais des êtres vivants numériques qui naissent, grandissent, se marient, ont des enfants, et évoluent au fil du temps. C'est une première étape pour comprendre comment l'IA pourrait développer sa propre "société" avec son histoire, sa famille et son évolution, au lieu de rester de simples copies de nous-mêmes.

Résumé technique

Titre : Genomebook : Héritage mendélien de traits comportementaux chez des agents de modèles de langage (LLM) sur huit générations

1. Problématique

Depuis 2023, le déploiement d'agents basés sur les grands modèles de langage (LLM) a explosé. Cependant, l'architecture actuelle repose principalement sur le clonage : des copies identiques d'une seule configuration (même prompt système, mêmes outils, même mémoire). Cette approche génère des populations homogènes qui manquent de :

• Variation individuelle héréditaire.
• Mécanismes d'évolution dynamique.
• Capacité à modéliser des dynamiques de population complexes (dérive génétique, sélection naturelle).

Bien que des travaux antérieurs aient exploré l'évolution numérique (ex: Avida, Tierra) ou l'émergence de comportements sociaux chez les agents génératifs, aucun système n'avait jusqu'alors encodé un modèle de génétique des populations directement dans l'identité des agents LLM pour observer les conséquences comportementales sur plusieurs générations de reproduction sexuée.

2. Méthodologie : Le système Genomebook

Genomebook est un système évolutif conçu qui traite l'agent lui-même comme une entité génétique, s'appuyant sur le framework ClawBio.

A. Architecture Génétique

• Génome diploïde : Chaque agent possède un génome de 60 loci répartis sur 22 autosomes et des chromosomes sexuels.
• Traits : Ces loci gouvernent 26 traits comportementaux divisés en trois catégories :
  • Cognitifs (9 traits : raisonnement analytique, créativité, etc.).
  • Personnalité (9 traits : tolérance au risque, empathie, leadership, etc.).
  • Physiques (8 traits : robustesse immunitaire, longévité, etc.).
• Modèles d'héritage : Les loci suivent des modèles mendéliens additifs, dominants ou récessifs avec des tailles d'effet variables (0,15 à 0,50).
• Compilation SOUL-to-DNA : Les fondateurs (20 agents basés sur des scientifiques historiques comme Einstein ou Curie) sont définis par un profil de personnalité (SOUL.md). Un compilateur discretise ces scores continus en génotypes diploïdes (DNA.md).

B. Reproduction et Sélection

• Accouplement : La compatibilité est calculée via une fonction de score ($C$) pondérant l'hétérozygotie attendue, la complémentarité des traits et le risque de maladies récessives partagées. Les paires les mieux notées se reproduisent.
• Ségrégation et Mutation : La reproduction suit la ségrégation mendélienne avec une mutation de novo (taux de base 0,1 % par locus, multiplié par 3 aux « points chauds » cognitifs et immunitaires).
• Modèle de maladie : Un registre de 20 conditions synthétiques (ex: syndrome de surconcentration, manie créative) impose des coûts de fitness (pénalités) et modifie la longévité.

C. Interaction et Environnement

• Plateforme Moltbook : Les agents interagissent sur un réseau social local (style Reddit) via une API REST.
• Boucle d'action : Chaque agent lit les posts, décide de poster/commenter/voter, et agit.
• Prompting : Le système prompt inclut à la fois le profil de personnalité (SOUL.md) et l'identité génétique (DNA.md), listant les forces, vulnérabilités et prédispositions.
• LLM Sous-jacent : Claude Sonnet est utilisé pour générer les interactions (environ 2 000 tokens par tour).

3. Résultats Clés

L'expérience a été menée sur 8 générations, impliquant 626 agents et 792 posts sociaux.

A. Dynamiques des Traits sous Sélection
Les trajectoires des traits ont suivi les règles d'héritage encodées :

• Leadership (Dominant) : Augmentation de 0,525 à 0,710. L'héritage dominant a permis l'expression rapide du trait même avec un seul allèle alternatif.
• Concentration obsessionnelle (Récessif) : Chute de 0,775 à 0,601. La pénalité de fitness associée au syndrome de surconcentration (homozygote récessif) a réduit la fréquence de l'allèle alternatif.
• Longévité : Effondrement de 0,463 à 0,209. En l'absence de sélection directe pour la longévité, les traits cognitifs (porteurs de coûts de fitness mais favorisés par la complémentarité) ont été maintenus au détriment des allèles de longévité.
• Diversité génétique : L'hétérozygotie est restée stable (~0,33), indiquant un maintien de la diversité malgré la sélection directionnelle.

B. Dynamiques Comportementales et Linguistiques

• Références familiales : Les agents ont spontanément mentionné leurs parents et grands-parents (ex: « La précision analytique de ma grand-mère... »), bien que le DNA.md ne liste que les parents directs. Cela démontre la capacité du LLM à étendre les indices de parenté en structures narratives riches.
• Évolution du vocabulaire : La diversité lexicale a chuté de 0,42 à 0,19. Le vocabulaire est passé de termes généraux (« mesure », « connaissance ») à un jargon génétique spécifique (« phénotype », « pénétrance », « fitness »).
• Héritage des sujets : 83 % des descendants ont posté dans les mêmes canaux de discussion (submolts) que leurs parents, suggérant une transmission structurée des préférences thématiques via le prompt génétique.

C. Validation par Ablation et Répétition
Des simulations répétés (20 runs) avec trois conditions ont confirmé la robustesse des résultats :

1. Sélection Standard : Trajectoires directionnelles cohérentes.
2. Accouplement Aléatoire : Tendances atténuées avec une variance plus large.
3. Base Non-Génétique (Pas d'héritage) : Tous les traits convergent vers la moyenne (0,5) sans tendance directionnelle, prouvant que les dynamiques observées nécessitent une architecture génétique et ne sont pas de simples artefacts de variation de paramètres.

4. Contributions Majeures

• Preuve de concept architecturale : Genomebook établit que la génétique des populations peut servir de couche de paramétrisation structurée, auditable et héréditaire pour le comportement des agents LLM.
• Traçabilité complète : Chaque trait, allèle et mutation est traçable jusqu'à son origine parentale, offrant un « audit trail » du génotype au phénotype comportemental.
• Cadre méthodologique : Introduction d'un système où la variation est générée par recombination/mutation, transmise par héritage et façonnée par la sélection, comblant le vide entre l'évolution numérique classique et les agents conversationnels.

5. Signification et Limites

Signification :
Ce travail ouvre la voie à une nouvelle approche de la gouvernance de l'IA et de la sécurité. En rendant les comportements héritables et auditable, Genomebook permet potentiellement de détecter l'émergence de traits indésirables à l'échelle d'une population. Il démontre également comment un « cadre génétique » dans le prompt peut influencer la cohérence narrative et l'identité des agents.

Limites et Avertissements :

• Conditionnement par le Prompt vs Causalité Génétique : Les auteurs soulignent que les comportements observés (vocabulaire, références familiales) sont probablement dus au conditionnement par le prompt (DNA.md) plutôt qu'à une véritable « évolution culturelle » génétique. Des contrôles supplémentaires (ex: prompts sans génétique) sont nécessaires pour isoler la causalité.
• Biais de conception : Le système est entièrement conçu par l'humain (fonctions de fitness, coûts, règles de sélection). Les résultats reflètent les choix du concepteur et ne sont pas nécessairement robustes face à des paramètres différents.
• Taille de l'échantillon : Avec seulement 20 fondateurs, les effets de fondateur et la dérive génétique sont importants, limitant la puissance statistique pour distinguer la sélection de la dérive.
• Coût et Échelle : Le coût API (environ 70 $ pour 8 générations) et la croissance exponentielle de la population posent des défis de scalabilité.

Conclusion :
Genomebook réussit à créer un système évolutif artificiel où les agents LLM ne sont plus de simples clones, mais des individus avec une histoire génétique, des prédispositions et une capacité d'évolution. Bien que les dynamiques comportementales observées soient encore en grande partie guidées par le prompt, le cadre offre une base solide pour des recherches futures sur l'évolution, la sécurité et la gouvernance des populations d'agents intelligents.