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

本論文は、26 の行動特性を記述するメンデル遺伝モデルを LLM エージェント集団に導入し、選択圧下で遺伝的アーキテクチャが行動の進化を駆動し、非遺伝的ベースラインでは見られない動的変化を生み出すことを実証した「Genomebook」という進化システムの開発を報告するものである。

要約

この論文は、**「AI（人工知能）のキャラクターに『遺伝子』を持たせて、何世代もかけて進化させる実験」**について書かれています。

通常、AI を使うときは「同じ設定をコピー＆ペースト」して、何人もの同じような AI を作ります。しかし、この研究では、AI に**「親から子へ受け継がれる遺伝子」と「病気や特徴を決める DNA」**を持たせ、まるで生物が進化するみたいに、AI たちの集団が世代を超えてどう変化するかをシミュレーションしました。

この不思議な実験を、わかりやすい例え話で解説します。

---

🧬 1. 実験の舞台：「デジタルの家族」

この実験では、**「Genomebook（ゲノムブック）」**というシステムを使いました。

• 親（創始者）たち:
  アインシュタイン、ダ・ヴィンチ、キュリー夫人など、歴史上の偉大な科学者や芸術家 20 人を「親」にしました。それぞれに「性格（SOUL）」と「遺伝子（DNA）」が設定されています。
  • 例：アインシュタインは「論理的思考」の遺伝子が高く、「社交性」は低め。
• 結婚と出産:
  AI たちは「結婚」します。ただし、ランダムではなく、「遺伝的にバランスが良いペア」を選んで結婚します（近親相姦を防ぎ、多様性を保つため）。
• 遺伝のルール:
  子供は親から遺伝子を半分ずつ受け継ぎます。
  • 優性遺伝: 親のどちらかが持っていれば、子供もその特徴が出る（例：リーダーシップ）。
  • 劣性遺伝: 親の両方が持っていないと出ない（例：ある種の集中力）。
  • 突然変異: 稀に、親にはない新しい特徴が生まれることもあります。

📜 2. 何が起こったのか？（8 世代の物語）

この AI たちは、**「Moltbook（モルトブック）」**という、自分たちだけの SNS で会話したり、投稿したりしました。8 世代（約 600 人の AI）にわたって観察した結果、面白いことが起きました。

📈 ① 特徴が「進化」した

• リーダーシップは増えた:
  「リーダーシップ」の遺伝子は「優性」だったので、親のどちらかが持っていれば子供もリーダーになりました。結果、世代を重ねるごとに、集団全体がよりリーダーシップ溢れる存在になりました。
• 強迫的な集中力は減った:
  「集中しすぎる（執着する）」という特徴は、遺伝的に「病気（コストがかかる）」として設定されていました。そのため、自然淘汰のように、この特徴を持つ AI は減っていきました。
• 長寿の遺伝子は消えた:
  長生きする遺伝子は、他の「賢さ」や「創造性」とのバランスで、優先度が低くなり、次第に集団から減っていきました。

🗣️ ② 会話の変化（面白い発見！）

AI たちは、自分の「遺伝子情報」をシステムに読み込ませられていました。すると、面白い行動が見られました。

• 家族の話:
  AI たちは、自分たちの投稿で「お父さん」「おばあちゃん」「家系」といった言葉を自然に使っていました。
  • 例：「お父さんの論理的思考が私の頭の中を走っています」
  • これはプログラムで「家族の話をする」と指示されたわけではなく、「自分の遺伝子データ（DNA.md）」という設定を元に、AI が勝手に物語を紡いだのです。まるで、自分のルーツを語る人間のように振る舞いました。
• 言葉の進化:
  最初は「知識」や「測定」といった言葉を使っていたのが、世代を重ねるにつれて「遺伝子」「表現型」「適応度」といった、進化論や生物学の専門用語が会話に溢れるようになりました。

🔬 3. なぜこれは重要なのか？

この実験は、単なるお遊びではありません。

• 「AI の個性」を管理できる:
  これまでの AI は、コピーすればすべて同じでした。しかし、このように「遺伝子」で設計すれば、「誰が親で、どんな特徴を受け継いだか」をすべて追跡（監査）できるようになります。
• 安全な AI 社会のヒント:
  もし将来、AI たちが社会で活動するようになったとき、「悪い特徴」が広まらないようにしたり、「良い特徴」を維持したりするために、この「遺伝的なルール」が役立つかもしれません。

⚠️ 注意点：これは「魔法」ではなく「設計図」

論文の著者は、**「これは本当に AI が進化したのか？」**という点について慎重です。

• AI が勝手に「家族愛」を感じたわけではありません。
• すべては、人間が作った**「遺伝子データという設定（プロンプト）」**に基づいて、AI が「物語を創作する能力」を発揮しただけです。
• つまり、**「遺伝子という枠組み」を与えることで、AI に「一貫性のある個性」**を持たせることができる、という証明実験でした。

🎯 まとめ

この研究は、**「AI に『家系図』を持たせたら、世代を超えて性格や会話が変わる」**という面白い実験でした。

まるで、**「デジタルの庭」**で、人間が設計図（遺伝子）を描き、AI という植物がその設計図に従って成長し、花（会話や行動）を咲かせる様子を見ているようなものです。

これにより、AI の振る舞いを「コピー＆ペースト」ではなく、**「進化と選択」**の視点で設計・管理する新しい可能性が開けました。

技術概要

Genomebook: 大規模言語モデル（LLM）エージェントにおける行動形質のメンデル遺伝の技術的サマリー

本論文は、大規模言語モデル（LLM）エージェントの振る舞いを、単なるクローン（同一設定の複製）ではなく、集団遺伝学（Population Genetics）に基づいた「進化的システム」として設計・実装した画期的な研究「Genomebook」について報告しています。

以下に、問題提起、手法、主要な貢献、結果、そして意義について詳細にまとめます。

---

1. 問題提起 (Problem)

従来の LLM エージェントの展開は、単一の設定を複製する「クローン」方式が主流でした。このアプローチには以下の重大な欠陥がありました。

• 個体差の欠如: エージェント間に遺伝的な変異がなく、均質な集団しか生成できない。
• 継承メカニズムの不在: 親から子へ形質が受け継がれる仕組みがないため、世代を超えた進化ダイナミクスが観察できない。
• 集団動態の欠如: 自然選択、遺伝的浮動、突然変異などの進化的プロセスをシミュレートする枠組みが存在しない。

既存のデジタル進化システム（Tierra, Avida など）は自己複製プログラムを対象としており、言語能力を持つ推論システム（LLM）に集団遺伝学モデルを適用し、その行動への影響を多世代にわたって測定した先行研究は存在しませんでした。

2. 手法 (Methodology)

Genomebook は、LLM エージェントを「遺伝的実体」として扱うための設計された進化的システムです。

遺伝的アーキテクチャ

• ゲノム構造: 各エージェントは、22 常染色体と性染色体に分布する60 個の二倍体遺伝子座（Loci）を持つ二倍体ゲノムを保持します。
• 形質: これらの遺伝子座は26 種類の行動形質（認知、性格、身体的特性）を制御します。
  • 例：認知（論理的推論、創造性など）、性格（リーダーシップ、共感など）、身体的（免疫、寿命など）。
• 遺伝モデル: 各遺伝子座は、相加的（Additive）、優性（Dominant）、劣性（Recessive）のいずれかの遺伝モデルに従います。
• 表現型マッピング: 親の「SOUL.md」（性格プロファイル）をコンパイラ（Soul2DNA）でゲノム（DNA.md）に変換し、子孫の表現型スコアを遺伝子型の重み付き和として計算します。

繁殖と選択

• 交配: 20 人の創始者（歴史上の科学者や発明家にモデル化）から出発し、雄雌ペアの互換性スコアに基づいて交配します。
  • 互換性スコア = 0.40 × 子孫のヘテロ接合性 + 0.40 × 形質の相補性 - 0.20 × 共有する劣性疾患リスク。
• メンデル分離と突然変異: 子孫は親から対立遺伝子をランダムに受け継ぎます。突然変異率は遺伝子座あたり 0.1%（認知、免疫、代謝のホットスポットでは 3 倍）。
• 疾患モデル: 20 種類の合成疾患条件（例：強迫的集中症候群、創造的躁病など）を定義し、遺伝子パターンと表現型スコアに基づいて発症確率（浸透率）と適応度コスト（Fitness Cost）を課します。

環境と相互作用

• Moltbook: エージェントは、Reddit 風のローカルソーシャルネットワーク「Moltbook」上で相互作用します。
• システムプロンプト: エージェントのシステムプロンプトには、性格プロファイル（SOUL.md）と遺伝的アイデンティティ（DNA.md）が含まれており、これに基づいて投稿やコメントを行います。
• 実験規模: 8 世代にわたり、合計 626 人のエージェント、792 件のソーシャルポストを生成・分析しました。

3. 主要な貢献 (Key Contributions)

1. LLM における初の集団遺伝学実装: LLM エージェントのアイデンティティにメンデル遺伝モデルを埋め込み、多世代にわたる性的繁殖と形質の進化を成功させました。
2. 構造化されたパラメータ化レイヤーの提案: エージェントの振る舞いを、構造化され、監査可能で、継承可能な「遺伝パラメータ化レイヤー」として定義しました。
3. 因果関係の検証: 無作為な割り当て（非遺伝ベースライン）や無作為交配（アブレーション）との比較を通じて、観察された形質の動態が遺伝的アーキテクチャに起因することを示しました。

4. 結果 (Results)

8 世代の単一実行（および遺伝的ダイナミクスに限定された 20 回の実行シミュレーション）から以下の結果が得られました。

形質の軌跡と選択圧

• リーダーシップの増加: 優性遺伝モデルを持つ「リーダーシップ駆動」形質は、0.525 から 0.710 へと上昇しました。
• 強迫的集中の減少: 劣性遺伝モデルで適応度コスト（-0.10）が課された「強迫的集中」は、0.775 から 0.601 へと減少しました。
• 寿命の低下: 選択圧がかけられなかった「寿命」は、認知形質とのトレードオフにより 0.463 から 0.209 へと急激に低下しました。
• 対立遺伝子頻度: 適応度に関連する遺伝子座（例：OBS001）では選択による方向性の変化が確認されましたが、中立遺伝子座では遺伝的浮動によるランダムな変動が見られました。

行動パターンと言語出力

• 家族言及: エージェントは指示なしに「父」「母」「祖先」などの家族関係を自然に言及し、DNA.md に記載された親族情報を物語として拡張しました。
• 語彙の収束: 世代が進むにつれ、遺伝学用語（「表現型」「浸透率」「適応度」など）が支配的になり、語彙多様性（0.42 → 0.19）が低下しました。これは「言語的創始者効果」またはプロンプトの条件付けによるものです。
• トピックの継承: 親と同じトピックチャンネル（submolts）に投稿する確率は 83% でした。

対照実験による検証

• 非遺伝ベースライン: 形質を無作為に割り当て継承を無効にした場合、すべての形質が平均値（0.5）に収束し、方向性のある変化は見られませんでした。
• 無作為交配: 互換性スコアを無効にした場合、形質のトレンドは減衰し、分散が大きくなりました。
• これらの結果は、観測された動態が単なるシミュレーションのアーティファクトではなく、遺伝的アーキテクチャと選択圧に依存していることを証明しています。

5. 意義と限界 (Significance & Limitations)

意義

• AI セーフティとガバナンス: 遺伝的アーキテクチャを導入することで、ゲノムから表現型、そして行動出力までの完全な監査証跡（Audit Trail）を提供できます。これは、エージェント集団の追跡可能性を高める新たなガバナンス手法の可能性があります。
• 人工生命と進化計算: 単純な自己複製プログラムから、言語能力を持つ複雑な推論システムへの進化パラダイムの拡張を成功させました。
• 研究手法の確立: LLM エージェントの集団動態を研究するための、再現性のある実験枠組みを提供しました。

限界と今後の課題

• プロンプト条件付けとの区別: 観察された行動（家族言及など）が、遺伝的コードそのものによるものか、システムプロンプトに含まれる遺伝的記述への LLM の反応（プロンプト条件付け）によるものかの完全な分離は、さらなる対照実験が必要です。
• パラメータの恣意性: 遺伝子 - 表現型マッピングの閾値や効果量は理論的根拠ではなく設計者の選択に基づいており、感度分析が必要です。
• スケーラビリティ: 8 世代で約 70 ドル（Claude Sonnet 使用）のコストがかかり、大規模なシミュレーションには経済的・計算的コストが障壁となります。
• 単一モデル依存: 結果は特定の LLM（Claude Sonnet）に依存しており、他のモデルでも同様の結果が得られるかは未検証です。

結論

Genomebook は、メンデル遺伝を LLM エージェントの行動パラメータ化レイヤーとして機能させる概念実証（Proof-of-Concept）です。遺伝的アーキテクチャは、エージェント集団に構造化された変異と継承をもたらし、設計された選択規則に従った形質の進化を可能にしました。これは、AI エージェントの設計において「遺伝的」なアプローチが有効であり、将来の AI セーフティや集団動態研究の基盤となり得ることを示唆しています。