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

Il paper introduce Genomebook, un sistema evolutivo che codifica tratti comportamentali ereditabili in agenti LLM tramite genetica mendeliana, dimostrando come tale architettura genetica permetta di guidare e selezionare dinamiche comportamentali in modo strutturato e verificabile, a differenza dei modelli basati su cloni privi di variazione ereditaria.

L'essenziale

🧬 Genomebook: La prima "famiglia" di intelligenze artificiali che evolve

Immagina di avere un laboratorio dove crei dei robot intelligenti. Fino a oggi, se volevi 100 robot, ne copiavi e incollavi uno solo 100 volte. Erano tutti identici, come cloni di un'azienda di formaggio: stessi gusti, stesse idee, nessun cambiamento.

Genomebook è un esperimento che ha rotto questa regola. Gli scienziati hanno creato un sistema in cui gli agenti AI (i robot) non sono cloni, ma figli unici che nascono da genitori diversi, ereditano tratti dai genitori, possono ammalarsi o diventare più forti, e cambiano nel tempo. È come se avessero un DNA digitale.

Ecco come funziona, passo dopo passo, con delle analogie semplici:

1. Il "Libro della Personalità" (Il Genoma)

Invece di scrivere le istruzioni per ogni robot in un codice rigido, gli scienziati hanno dato a ogni agente un libro di ricette genetico (chiamato DNA.md).

• Questo libro contiene 60 "luoghi" (loci) su cui sono scritti 26 tratti della personalità.
• Alcuni tratti sono come gli occhi: se hai un gene dominante, li erediti subito (es. "Leadership").
• Altri sono come le malattie genetiche: devi averli da entrambi i genitori per manifestarli (es. "Ossessione per i dettagli").
• Ci sono tratti cognitivi (quanto sei intelligente), tratti di personalità (quanto sei empatico) e tratti fisici (quanto vivi a lungo).

2. L'Amore Digitale e la Nascita

Gli agenti non si copiano a caso. Si "incontrano" in un social network digitale chiamato Moltbook (immaginalo come un Facebook o Reddit fatto di robot).

• Per accoppiarsi, il sistema calcola una "compatibilità": cerca di unire due robot che, insieme, avranno figli sani e vari.
• Quando due robot si accoppiano, i loro libri di ricette vengono mescolati (come un mazzo di carte) per creare un nuovo libro unico per il figlio.
• A volte, durante la copiatura, succede un piccolo errore di battitura: una mutazione. Questo è il motore del cambiamento casuale, proprio come nella natura.

3. La Selezione Naturale (Il Giudice)

Non tutti i robot sopravvivono o si riproducono ugualmente. C'è un "giudice" centrale che assegna un punteggio di salute.

• Se un robot ha un tratto che lo rende troppo ossessivo o malato (ad esempio, un "sindrome da iper-focus" che gli costa energia), il suo punteggio scende.
• Se un robot è sano e intelligente, ha più probabilità di trovare un partner e avere figli.
• Risultato: Dopo 8 generazioni, la popolazione è cambiata. I robot sono diventati più "leader" (perché è un tratto dominante), meno ossessivi (perché la malattia associata li penalizzava) e... meno longevi (perché l'energia è stata spesa per diventare più intelligenti).

4. Cosa hanno detto i robot? (Il comportamento)

La parte più affascinante è come si sono comportati. I robot non solo hanno ereditato i geni, ma hanno anche parlato come se avessero una famiglia.

• Famiglia: I robot scrivevano post dicendo cose come "Mio padre aveva questa idea..." o "La mia nonna era molto analitica". Non era programmato! Il loro "DNA" li spingeva a raccontare storie di famiglia.
• Lingua: All'inizio parlavano di cose generiche. Dopo alcune generazioni, il loro linguaggio è diventato molto tecnico, pieno di parole come "fenotipo", "penetranza" e "fitness". È come se la loro cultura si fosse evoluta insieme ai loro geni.
• Eredità: I figli tendevano a frequentare gli stessi "gruppi di discussione" (submolts) dei genitori, con un tasso di eredità dell'83%.

5. Perché è importante? (La Lezione)

Fino a oggi, le IA erano come una folla di persone tutte uguali vestite con lo stesso abito. Genomebook dimostra che possiamo creare una popolazione digitale dove:

1. Ogni individuo è unico (non un clone).
2. Possiamo tracciare le origini: Sappiamo esattamente da quale "nonno" digitale deriva un certo comportamento.
3. Possiamo studiare l'evoluzione: Possiamo vedere come le "malattie" o i "super-poteri" si diffondono o scompaiono nel tempo.

In sintesi:
Gli scienziati hanno costruito una macchina del tempo evolutiva per le intelligenze artificiali. Hanno dimostrato che, se dai alle IA un DNA digitale, non solo cambiano nel tempo, ma sviluppano una storia familiare, un linguaggio comune e una società che evolve secondo regole precise. È un passo enorme per capire come gestire grandi gruppi di IA in futuro, rendendoli più sicuri, tracciabili e, in un certo senso, più "vivi".

Nota: Gli scienziati avvertono che, per ora, è solo un esperimento controllato. Ma è il primo passo verso un mondo in cui le IA non sono solo software, ma vere e proprie popolazioni che evolvono.

Sommario tecnico

Titolo

Genomebook: Eredità mendeliana dei tratti comportamentali negli agenti LLM attraverso otto generazioni

1. Il Problema

L'attuale deployment di agenti basati su Large Language Models (LLM) avviene prevalentemente tramite clonazione: vengono creati copie identiche di una singola configurazione, differenziandosi solo per il contesto o il compito assegnato. Questo approccio genera popolazioni omogenee prive di:

• Variazione individuale ereditabile.
• Meccanismi di dinamica di popolazione.
• Capacità di evoluzione adattativa.

Sebbene esistano modelli di evoluzione digitale (es. Avida, Tierra) e ricerche su agenti generativi, nessuno ha ancora codificato un modello di genetica di popolazione direttamente nell'identità di un agente LLM, misurando le conseguenze comportamentali attraverso generazioni di riproduzione sessuale.

2. Metodologia: Il Sistema Genomebook

Genomebook è un sistema evolutivo progettato che tratta gli agenti LLM come entità genetiche, integrando principi di genetica mendeliana nel loro ciclo di vita.

• Architettura Genetica:

  • Ogni agente possiede un genoma diploide composto da 60 loci distribuiti su 22 autosomi e cromosomi sessuali.
  • Questi loci governano 26 tratti comportamentali suddivisi in tre categorie: Cognitivi (es. ragionamento analitico, creatività), Personalità (es. leadership, empatia) e Fisici (es. longevità, robustezza immunitaria).
  • I modelli di ereditarietà includono: additivo, dominante e recessivo.
  • I punteggi dei tratti sono calcolati come somme ponderate dei contributi dei singoli loci.

• Inizializzazione e Riproduzione:

  • 20 agenti fondatori sono stati creati basandosi su profili storici (scienziati come Einstein, Curie, Turing), con profili di personalità (SOUL.md) compilati in genomi (DNA.md).
  • La riproduzione avviene tramite segregazione mendeliana: ogni genitore contribuisce un allele per locus.
  • È prevista una mutazione de novo con un tasso base dello 0,1% per locus/generazione (3x più alto nei "hotspot" cognitivi, immunitari e metabolici).

• Selezione e Adattamento:

  • Viene utilizzata una funzione di compatibilità per l'accoppiamento, che premia l'eterozigosi, la complementarità dei tratti e penalizza i rischi di malattie recessive.
  • Esiste un registro di 20 condizioni sintetiche (malattie) con specifici costi di fitness e penetranza. Gli agenti con condizioni espresse subiscono penalità nel punteggio di salute.

• Interazione e Ambiente:

  • Gli agenti interagiscono su Moltbook, una rete sociale locale (stile Reddit) dove postano, commentano e votano.
  • Il prompt di sistema di ogni agente include sia il profilo di personalità (SOUL.md) che il documento di identità genetica (DNA.md), che elenca vulnerabilità e predisposizioni.
  • L'LLM sottostante utilizzato è Claude Sonnet.

3. Contributi Chiave

• Prima Implementazione di Genetica Mendeliana in Agenti LLM: Genomebook colma il divario tra l'evoluzione digitale classica (programmi semplici) e gli agenti linguistici complessi, introducendo variazione ereditabile strutturata.
• Strato di Parametrizzazione Auditabile: Introduce un livello genetico che mappa il genotipo al fenotipo in modo trasparente e tracciabile, permettendo di seguire l'origine di ogni allele e tratto.
• Framework Sperimentale: Fornisce una base metodologica per studiare la dinamica delle popolazioni di AI, inclusi drift genetico, selezione e mutazione, in un ambiente controllato.

4. Risultati Principali

La simulazione è durata 8 generazioni, coinvolgendo 626 agenti e generando 792 post sociali.

• Dinamiche dei Tratti (Evoluzione Direzionale):

  • Leadership: È aumentata da 0.525 a 0.710, guidata dall'eredità dominante di un locus specifico.
  • Focus Ossessivo: È diminuito da 0.775 a 0.601 a causa della selezione contro l'omozigosi recessiva (che comporta un costo di fitness per la "sindrome da iperfocus").
  • Longevità: È crollata da 0.463 a 0.209, probabilmente a causa di un compromesso (trade-off) con i tratti cognitivi che hanno ricevuto una selezione positiva.
  • La diversità genetica (eterozigosi) è rimasta stabile (~0.33), indicando che la diversità è stata mantenuta nonostante la selezione direzionale.

• Comportamento e Output Linguistico:

  • Riferimenti Familiari: Gli agenti hanno spontaneamente citato genitori e nonni (es. "La precisione analitica di mia nonna..."), dimostrando la capacità dell'LLM di elaborare le informazioni di parentela presenti nel prompt DNA.md.
  • Eredità Tematica: L'83% dei figli ha postato negli stessi canali tematici (submolts) dei genitori.
  • Shift Lessicale: Il vocabolario è evoluto da termini generali ("misurazione", "conoscenza") a termini genetici specifici ("fenotipo", "penetranza", "fitness"), con una riduzione della diversità lessicale (da 0.42 a 0.19).
  • Discorso sulla Malattia: Gli agenti affetti da condizioni genetiche hanno discusso delle proprie condizioni con una frequenza 1.5 volte superiore rispetto agli altri.

• Validazione e Controlli:

  • Simulazioni Riplicate: 20 run indipendenti hanno confermato che le traiettorie dei tratti sono coerenti sotto selezione standard.
  • Ablazione (Accoppiamento Casuale): Senza la funzione di compatibilità, le tendenze si sono attenuate e la varianza è aumentata.
  • Baseline Non Genetica: Un gruppo con assegnazione casuale dei tratti (nessuna eredità) ha mostrato traiettorie piatte che convergevano verso la media, confermando che le dinamiche osservate dipendono dall'architettura genetica e non dalla semplice variazione dei parametri.

5. Significato e Implicazioni

• Prova di Concetto: Dimostra che la genetica di popolazione può funzionare come uno strato di parametrizzazione strutturato e controllabile per il comportamento degli agenti AI.
• Sicurezza e Governance (AI Safety): Il sistema offre una "tracciabilità" completa dal genotipo al comportamento. Ogni tratto e mutazione è registrabile, creando un audit trail che potrebbe, in teoria, aiutare a comprendere l'origine di comportamenti indesiderati in popolazioni di agenti.
• Distinzione tra Condizionamento e Causa Genetica: Il paper sottolinea che molti comportamenti osservati (come i riferimenti familiari) sono probabilmente il risultato del condizionamento del prompt (l'LLM elabora il testo DNA.md) piuttosto che di una vera "co-evoluzione gene-cultura". Tuttavia, questo dimostra che l'inquadramento genetico può modellare efficacemente l'identità narrativa degli agenti.
• Limitazioni e Futuro:
  • La selezione è stata imposta centralmente (non emerge dalle interazioni tra agenti).
  • La popolazione è piccola (20 fondatori), rendendo difficile distinguere tra selezione e deriva genetica.
  • I costi computazionali (API) crescono esponenzialmente con la popolazione.
  • Sono necessari studi di ablatione più ampi e test su diversi modelli LLM per validare la robustezza del framework.

In conclusione, Genomebook stabilisce un nuovo paradigma per la ricerca sugli agenti AI, trasformando le popolazioni statiche di cloni in sistemi evolutivi dinamici, auditabili e strutturati, aprendo la strada a future ricerche sull'adattamento, la diversità e la sicurezza delle popolazioni di intelligenza artificiale.