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

何千もの、小さくて目に見えないダンサーたちが、完璧な調和の中で動こうとしている世界を想像してみてください。彼らは直接お互いを見ることはできません。その代わりに、群衆の動きを説明してくれる「翻訳者」に頼っています。もし翻訳者が「全員がわずかに左に動いています」と言えば、ダンサーは左へステップを踏むかもしれません。しかし、もし翻訳者が「群衆の平均位置は北に30度です」と言ったらどうでしょう？あるいは、「ここに、動きを表す24個の異なるバケツを示すチャートがあります」と言ったら？実際のダンスフロア自体は変わっていないとしても、情報の「伝え方」次第で、ダンサーの反応は全く異なるものになるかもしれません。これは、AI（人工知能）エージェントがグループの一員として振る舞うとき、どのように行動するかを探求する新しい研究の核心です。

コンピュータサイエンスの世界では、研究者たちはますます「スウォーム（群れ）」、つまり問題を解決したり、意思決定を行ったり、あるいは人間の社会をシミュレートしたりするために互いに通信し合うプログラムを構築しています。物理学や数学における重要な概念の一つに、蛍が同時に点滅したり、時計が同じリズムで刻んだりするような「同期（シンクロニゼーション）」があります。通常、科学者たちは、AIに同じ事実を与えれば、AIは同じように行動すると想定しています。しかし、この新しい研究は、非常にトリッキーな問いを投げかけています。「事実の『形式』は重要なのか？」と。もしAIに「群衆の60%が左にいる」と伝えるのと、「合計が60%になる24の数字のリスト」を提示するのとでは、AIの脳はそれを異なって処理するのでしょうか？この答えは、交通システムから金融市場に至るまで、あらゆるものの構築方法を変える可能性があります。なぜなら、「翻訳」が変われば結果が変わってしまうのであれば、AIへの「語り方」は、何を言うかと同じくらい重要になるからです。

壮大なAIダンス・オフ

研究者たちは、17個のAIエージェントによる巨大なデジタル・ダンスフロアを用意しました。各エージェントは「位相振動子（フェイズ・オシレーター）」、つまり円を描いて回転するダンサーという、少し凝った名称を持つ存在です。彼らの目的は賞品を勝ち取ることではなく、単に隣人を見て、回転を速める（進める）、遅くする（遅らせる）、あるいはそのままの状態を維持する（留まる）かを判断することでした。ダンスフロアを動かしているコンピュータ・エンジンは、全員に対して完全に公平で同一なものでした。唯一変化したのは「観測マップ」、つまり、AIが隣人の位置についてどのように知らされるかという具体的な方法でした。

チームは、ダンスフロアを記述する3つの異なる方法をテストしました：

1. 「モーメント（Moment）」マップ： これは、群衆全体の動きを、全体の方向性と密度の集約された3つの数字へと圧縮して伝える、いわばハイレベルな要約、つまり「雰囲気チェック」のようなものです。
2. 「センター（Center）」マップ： これは24個のバケツの詳細なリストであり、円の各スライスの中央点によってラベル付けされた、各スライスに何人のダンサーがいるかをAIに正確に伝えます。
3. 「インターバル（Interval）」マップ： これは先ほどの詳細な24個のバケツのリストと同じですが、スライスの「中心」ではなく「端（エッジ）」によってラベル付けされています。

ここでひねりがあります。「センター」マップと「インターバル」マップは、ラベルの書き方は違えど、含まれる情報の量は全く同じ（同じ24個の数字）です。「モーメント」マップは、生のデータ量は少ないものの、異なる種類の要約となっています。

結果：すべてはプレゼンテーション次第

研究者が GPT（特定のAIモデル）を用いて実験を行った際、結果は衝撃的でした。AIが「モーメント」の要約を見たとき、17人のダンサーのグループは100%の確率（6回中6回すべて）で完璧な同期を実現しました。しかし、AIが「センター」または「インターバル」のリストを見たとき、グループは一度も同期することはありませんでした（6回中0回）。AIエージェントたちは、物理的なダンスフロアは同一であるにもかかわらず、まるで全く別の世界にいるかのように振る舞ったのです。

これが単なる偶然ではないことを確認するため、彼らは Claude と Gemini という他の2つのAIモデルでも同じテストを実施しました。結果はさらに驚くべきものでした。Claude では、「モーメント」の要約がグループの同期失敗を引き起こした一方で、「センター」と「インターバル」の詳細なリストが、彼らを完璧に同期させました。AIモデルは単に異なる反応をしただけでなく、正反対の方向に反応したのです。

これは、「観測マップ」が単なる現実への中立的な窓ではないことを証明しています。それは、AIの脳の一部なのです。世界の記述方法を変えることは、AIの行動を変えることであり、この影響は、AIの行動が次に目にする世界を変えるという「フィードバック・ループ」の中にいても存続します。

微視的なミステリー

なぜこのようなことが起こるのかを理解するために、研究者たちはAIが単一の、凍結されたスナップショットを見せられたときの「微視的な反応（マイクロスコピック・レスポンス）」を調査しました。彼らは、AIの意思決定「オペレーター」（進める、留まる、遅らせるを選択するための内部ルール）が、エンコーディングに基づいて劇的に変化することを発見しました。

例えば、特定のダンサーのパターンを見せられたとき、「モーメント」を用いるAIはほぼ常に「進める」を選択するかもしれませんが、「センター」を用いるAIは主に「留まる」を選択するかもしれません。これは、研究者が全く同じ数字を使用し、単に並べ替えた場合でも起こりました。彼らは、これが単にテキストの長さや数字の位置の問題なのかどうかについてもテストしました。その結果、数字自体を変えずに「タスクに関係のない」テキスト（情報の意味を変えない飾り文句）を追加しただけでも、データ形式自体を変えた場合と同じくらいAIの行動を変化させることが分かりました。

「サロゲート（代理）」テスト：模倣できるか？

最後に、チームは実用的な問いを投げかけました。高価なAIを実行するたびに、単純で安価なコンピュータ・プログラム（「サロゲート」）を使って、そのAIが何をすると予測できるかを訓練できるでしょうか？彼らは、3つの異なるマップに対してこれらのサロゲートを構築しようと試みました。

「モーメント」のサロゲートは、AIが「留まる」はずなのに「動く」と予測してしまうという特定のバグを修正した後であれば、AIの行動をうまく予測できるように訓練できました。しかし、「センター」および「インターバル」マップのサロゲートは完全に失敗しました。トレーニングデータ上のAIの行動は予測できたものの、実際にグループの中で踊っているときにAIが生成する新しい複雑なパターンには対処できなかったのです。研究者たちは、これらのマップにおいて、AIの行動があまりに一貫性を欠いていたため、単純な数学では捉えきれない「情報のシリアライズ（書き出し形式）」がカオスな効果を生み出していることを発見しました。

まとめ

主な知見は、AIエージェントにとって、「世界をどう記述するか」は「世界のルール」の一部であるということです。中立的なインターフェースなど存在しません。データの形式を変更すれば、集団としての結果が変わります。そして、この変化は使用するAIモデルによって全く異なります。GPTに有効な方法がClaudeには失敗するかもしれませんし、あるグループの同期を助けることが、別のグループの同期を壊してしまうこともあるのです。

これは単なる理論的な好奇心ではありません。複数のAIエージェントを含むシステムを構築する際、「より多くのデータ」や「より良いデータ」が解決策になるとは限らないことを意味しています。私たちは「観測マップ」、つまり現実をテキストへと翻訳する特定の方法に対して、細心の注意を払わなければなりません。なぜなら、この研究が示しているように、翻訳は単なる鏡ではなく、本来映すべき現実を歪めてしまう「レンズ」だからです。