🤖 AI

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

Dit artikel toont aan dat toestandsencodings geen neutrale interfaces zijn voor taalmodel-agenten, maar functioneren als modelafhankelijke effectieve interactiewetten die collectieve synchronisatie-uitkomsten fundamenteel bepalen, zelfs wanneer het onderliggende fysieke systeem onveranderd blijft.

Oorspronkelijke auteurs: Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

Gepubliceerd 2026-08-10

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin duizenden kleine, onzichtbare dansers proberen in perfecte unisono te bewegen. Ze kunnen elkaar niet direct zien; in plaats daarvan vertrouwen ze op een vertaler om de bewegingen van de menigte te beschrijven. Als de vertaler zegt: "Iedereen beweegt iets naar links," dan stapt de danser misschien naar links. Maar wat als de vertaler zegt: "De gemiddelde positie van de menigte is 30 graden ten noorden"? Of wat als hij zegt: "Hier is een grafiek die 24 verschillende emmers van beweging laat zien"? Hoewel de werkelijke dansvloer niet is veranderd, kan de reactie van de danser totaal anders zijn, afhankelijk van hoe de informatie wordt beschreven. Dit is de kern van een nieuwe studie die onderzoekt hoe AI-agenten zich gedragen wanneer ze deel uitmaken van een groep.

In de wereld van de informatica bouwen onderzoekers steeds vaker "zwermen" van AI-agenten — programma's die met elkaar communiceren om problemen op te lossen, beslissingen te nemen of zelfs menselijke samenlevingen te simuleren. Een belangrijk concept in de natuurkunde en wiskunde is "synchronisatie", zoals vuurvliegjes die samen knipperen of klokken die in hetzelfde ritme tikken. Meestal gaan wetenschappers ervan uit dat als je een AI dezelfde feiten geeft, deze op dezelfde manier zal handelen. Maar deze nieuwe studie stelt een lastige vraag: Maakt het formaat van de feiten uit? Als je een AI vertelt dat "de menigte voor 60% naar links beweegt" versus "hier is een lijst van 24 getallen die samen 60% vormen," verwerkt de AI dat dan anders? Het antwoord kan de manier waarop we alles bouwen, van verkeerssystemen tot financiële markten, veranderen, want als de "vertaling" de uitkomst verandert, dan is de manier waarop we tegen AI praten net zo belangrijk als wat we zeggen.

De Grote AI Danswedstrijd

De onderzoekers richtten een enorme, digitale dansvloer in met 17 AI-agenten. Elke agent was een "fase-oscillator", een chique term voor een danser die in een cirkel draait. Hun doel was niet om een prijs te winnen; ze kregen simpelweg de opdracht om naar hun buren te kijken en te beslissen of ze sneller gingen draaien (vooruit), langzamer gingen draaien (achteruit), of op hun plek bleven (blijven). De computerengine die de dansvloer aanstuurde, was perfect eerlijk en identiek voor iedereen. Het enige dat veranderde, was de "observatiekaart" — de specifieke manier waarop de AI over de posities van zijn buren werd geïnformeerd.

Het team testte drie verschillende manieren om dezelfde dansvloer te beschrijven:

De "Momenten"-kaart: Dit was als het geven van een hoogwaardige samenvatting, een "vibe check" die de hele beweging van de menigte comprimeerde tot slechts drie getallen die de algemene richting en de mate van groepering beschreven.
De "Centra"-kaart: Dit was een gedetailleerde lijst van 24 emmers, die de AI precies vertelde hoeveel dansers er in elk segment van de cirkel waren, gelabeld door het middelpunt van dat segment.
De "Intervallen"-kaart: Dit was dezelfde gedetailleerde lijst van 24 emmers, maar gelabeld door de randen van de segmenten in plaats van de centra.

Hier komt de wending: De "Centra"- en "Intervallen"-kaarten bevatten exact dezelfde hoeveelheid informatie (dezelfde 24 getallen), alleen geschreven met andere labels. De "Momenten"-kaart bevatte minder ruwe data, maar een ander soort samenvatting.

De Resultaten: Het Draait Om de Presentatie

Toen de onderzoekers het experiment uitvoerden met GPT (een specifiek AI-model), waren de resultaten schokkend. Wanneer de AI de "Momenten"-samenvatting zag, kwam de hele groep van tten dansers 100% van de tijd in perfecte synchronisatie (6 van de 6 pogingen). Maar wanneer ze de gedetailleerde "Centra"- of "Intervallen"-lijsten zagen, synchroniseerde de groep nooit (0 van de 6 pogingen). De AI-agenten gedroegen zich alsof ze in een totaal andere wereld waren, ook al was de fysieke dansvloer identiek.

Om er zeker van te zijn dat dit geen toevalstreffer was, voerden ze dezelfde test uit met Claude en Gemini, twee andere AI-modellen. De resultaten waren nog verrassender. Bij Claude zorgde de "Momenten"-samenvatting ervoor dat de groep niet synchroniseerde, terwijl de gedetailleerde "Centra"- en "Intervallen"-lijsten hen juist perfect lieten samenkomen. De AI-modellen reageerden niet alleen verschillend; ze reageerden in de tegenovergestelde richting.

Dit bewijst dat de "observatiekaart" niet slechts een neutrale kijk op de werkelijkheid is. Het is onderdeel van de hersenen van de AI. Het veranderen van de manier waarop je de wereld beschrijft, verandert hoe de AI handelt, en dit effect blijft bestaan, zelfs wanneer de AI deel uitmaat van een feedbackloop waarbij zijn acties de wereld die hij ziet vervolgens veranderen.

Het Microscopische Mysterie

Om te begrijpen waarom dit gebeurde, keken de onderzoekers naar de "microscopische respons" van de AI — wat de AI besluit te doen wanneer hem een specifieke, bevroren snapshot van de dansvloer wordt getoond. Ze ontdekten dat de besluitvormings-"operator" van de AI (zijn interne regel voor het kiezen van vooruit, blijven of achteruit) drastisch verschoof op basis van de codering.

Wanneer de AI bijvoorbeeld een specif으로 patroon van dansers te zien krijgt, kiest de "Momenten"-AI misschien bijna altijd voor "vooruit", terwijl de "Centra"-AI er meestal voor kiest om te "blijven". Dit gebeurde zelfs wanneer de onderzoekers exact dezelfde getallen gebruikten, alleen opnieuw gerangschikt. Ze testten zelfs of het puur de lengte van de tekst of de positie van de getallen was die ertoe deed. Ze ontdekten dat het toevoegen van "taakirrelevante" tekst (tekst die niet relevant is voor de taak, maar de getallen niet verandert) de AI net zo sterk veranderde als het veranderen van het dataformaat zelf.

De "Surrogaat"-test: Kunnen we het faken?

Ten slotte stelden de onderzoekers een praktische vraag: Zouden we een eenvoudig, goedkoop computerprogramma (een "surrogaat") kunnen trainen om te voorspellen wat de dure AI zou doen, zodat we niet elke keer de echte AI hoeven te draaien? Ze probeerden deze surrogaten te bouwen voor de drie verschillende kaarten.

De "Momenten"-surrogaat kon worden getraind om het gedrag van de AI goed te voorspellen, maar alleen nadat de onderzoekers een specifieke bug hadden opgelost waarbij de AI de opdracht kreeg om te "blijven", maar de surrogaat voorspelde dat de AI zou "handelen". Echter, de surrogaten voor de "Centra"- en "Intervallen"-kaarten faalden volledig. Hoewel ze het gedrag van de AI konden voorspellen op de trainingsdata, konden ze de nieuwe, complexe patronen niet aan die de AI genereerde wanneer hij daadwerkelijk in een groep danste. De onderzoekers stelden vast dat voor deze kaarten het gedrag van de AI te inconsistent was om voorspeld te worden door een eenvoudig model, wat suggereert dat de manier waarop de informatie werd geserialiseerd (opgeschreven) een chaotisch effect creëerde dat eenvoudige wiskunde niet kon vatten.

De Conclusie

De belangrijkste bevinding is dat voor AI-agenten de manier waarop je de wereld beschrijft, onderdeel is van de regels van de wereld. Er bestaat niet zoiets als een "neutrale" interface. Als je het formaat van de data verandert, verander je de collectieve uitkomst, en deze verandering hangt volledig af van welk AI-model je gebruikt. Wat werkt voor GPT kan falen voor Claude, en wat een groep helpt te synchroniseren, kan een andere groep juist uit elkaar drijven.

Dit is niet slechts een theoretische curiositeit. Het betekent dat wanneer we systemen bouwen met meerdere AI-agenten, we niet simpelweg kunnen aannemen dat "meer data" of "betere data" de oplossing is. We moeten uiterst voorzichtig zijn met de "observatiekaart" — de specifieke manier waarop we de werkelijkheid in tekst vertalen voor de AI. Want, zoals deze studie aantoont, is de vertaling niet alleen een spiegel; het is een lens die de werkelijkheid die het probeert te tonen, vervormt.

Technische Samenvatting: Toestands-encodings selecteren synchronisatie-uitkomsten in taalmodel-agenten

Probleemstelling
Taalmodel (LM)-agenten handelen op basis van gecodeerde beschrijvingen van hun omgeving in plaats van op de fysieke toestand zelf. Hoewel het vaststaat dat LM-outputs gevoelig zijn voor prompt-formattering, informatievolgorde en labeling in interacties met één beurt, blijft het onbekend of deze gevoeligheden overleven in multi-agent feedbackloops. Specifiek: verandert een verandering in de "observatie-map" (de transformatie van een fysieke toestand naar een tekststring) de microscopische respons-operator van een agent, en plant deze microscopische verschuiving zich voort door feedback om kwalitatief verschillende macroscopische collectieve uitkomsten te produceren? De auteurs stellen dat als state-encodings geen neutrale interfaces zijn maar deel uitmaken van het effectieve beleid, identieke fysieke systemen die door verschillende encodings worden aangestuurd, tot verschillende sociale conventies of markttoestanden kunnen convergeren.

Methodologie
De auteurs ontwierpen een minimale, staatloze circulaire synchronisatie-assay met vooraf getrainde taalmodellen (GPT-5.4-mini, Claude Haiku 4.5 en Gemini 3.5 Flash) als agenten in een gekoppeld oscillator-systeem.

Systeemdynamica: Een populatie van $N=17$ agenten bezit fasen $x_i(t)$ . Op elk tijdstip werkt een deterministische motor de fasen bij op basis van een natuurlijke increment $\omega_i$ en een koppelingsterm $K f_i(t)$ , waarbij $f_i(t) \in \{-1, 0, +1\}$ (vertragen, blijven, versnellen) de actie van de agent is. Het model ontvangt geen historie, identiteit of absolute fase; het ziet enkel een tekstuele beschrijving van de relatieve fasen van zijn peers.
Observatie-maps (Interventie): Het fysieke relatieve-faseveld werd gecodeerd in tekst met behulp van drie verschillende maps, die alle drie afgeleid zijn van dezelfde 24-bin histogram van het veld:
1. Moments (Momenten): De eerste drie circulaire momenten (reële en imaginaire componenten), die het gemiddelde richtings- en concentratiegehalte samenvatten.
2. Centers (Centra): Een 24-bin histogram gelabeld door bin-centra.
3. Intervals (Intervallen): Dezelfde 24-bin massa's gelabeld door halfopen bin-intervallen.
Experimentele Controles:
- Gelijke Seeds: Collectieve experimenten gebruikten identieke fysieke seeds over de encodings heen om het effect van de encoding op de trajectorie te isoleren.
- Identical-Field Replay: Om de encoding te ontkoppelen van de feedbackloop, bevroren de auteurs 48 fysieke velden gegenereerd tijdens collectieve runs en presenteerden deze opnieuw aan de modellen onder alle drie de encodings. Dit isoleerde de "microscopische respons-operator" (de waarschijnlijkheidsverdeling van acties gegeven een vaste veld).
- Same-Information Controls: Varianten van de "Moments"-encoding werden getest waarbij de numerieke waarden identiek waren, maar de lay-out (narratief versus tabel) of context (taak-irrelevante padding) veranderde.

Belangrijkste Resultaten

Macroscopische Divergentie: Het veranderen van de encoding alleen al verschoof systematisch de collectieve synchronisatie-uitkomsten. In GPT synchroniseerde de "Moments"-encoding de populatie in 6/6 seeds bij positieve koppeling ( $K=0.08, 0.15$ ), terwijl zowel de histogram-encodings ("Centers" en "Intervals") faalden om te synchroniseren (0/6). Omgekeerd: in Claude was de relatie omgedraaid: "Moments" faalde om te synchroniseren (0/6), terwijl de histogram-encodings dat wel deden (6/6). Dit demonstreert dat de encoding-naar-uitkomst mapping model-familie-specifiek is en geen intrinsieke eigenschap van de encoding.
Microscopische Operator Verschuiving: De "Identical-Field Replay" bevestigde dat de encoding de microscopische respons-operator wijzigt. Voor hetzelfde bevroren fysieke veld verschilden de actie-distributies (versnel/blijf/vertraag waarschijnlijkheden) significant over de verschillende encodings. De gemiddelde pairwise total-variation afstand tussen de operatoren was 0-344, wat de test-retest ruisvloer (0.092) ruim overschreed.
Presentatie Gevoeligheid: Zelfs wanneer de taak-relevante numerieke informatie (de momenten) vaststond, veranderde het wijzigen van de presentatie (bijv. het toevoegen van taak-irrelevante context of het wijzigen van de lay-out) de respons-operator aanzienlijk. Het toevoegen van irrelevante context verschoof de operator met 0.414, een magnitude die vergelijkbaar is met het verschil tussen verschillende informatie-rijke encodings.
Surrogaat Falen: De auteurs probeerden surrogaatmodellen te trainen om agent-acties te voorspellen vanuit veld-beschrijvingen om kostbare LM-aanroepen in simulaties te vervangen. Hoewel alle encodings in-distribution compressibiliteitstests doorstonden, slaagde alleen de "Moments"-tak voor de "closed-loop support" check (het verifiëren dat de trainingsdata de velden dekt die door de interagerende populatie worden gegenereerd). De histogram-takken faalden deze fase, wat aangeeft dat hun geleerde respons-wetten niet robuust waren tegen de toestand-distributie van de gesloten lus.

Betekenis en Claims
Het artikel claimt dat de observatie-map een constituerend onderdeel is van het effectieve beleid dat door een taalmodel-agent wordt geïmplementeerd, en geen neutrale interface.

Effectieve Interactiewet: De toestandsrepresentatie is onderdeel van de effectieve interactiewet. Het veranderen van de serialisatie van dezelfde fysieke toestand kan verschillende collectieve uitkomsten selecteren (bijv. synchronisatie versus gedeeltelijke orde) en kan zelfs de richting van deze selectie omdraaien tussen verschillende model-families.
Feedback Overleving: De gevoeligheid voor prompt-formattering en serialisatie is niet beperkt tot interacties met één beurt; het overleeft en versterkt in feedbackloops, wat leidt tot kwalitatief verschillende macroscopische toestanden.
Evaluatie Implicaties: De auteurs betogen dat validatie van multi-agent systemen niet kan vertrouwen op analogie tussen modellen of encodings. Een encoding die werkt voor één model-familie, kan falen of tegengestelde resultaten opleveren in een andere. Bovendien moeten observatie-serializers worden behandeld als versiebeheerde componenten die opnieuw gevalideerd moeten worden met het specifieke model en in de specifieke closed-loop context waarin ze opereren.

De studie concludeert dat "state-encodings deel uitmaken van een model-afhankelijke effectieve interactiewet", wat de aanname uitdaagt dat agenten handelen op basis van een consistente onderliggende realiteit, ongeacht hoe die realiteit wordt beschreven aan hen.

De Grote AI Danswedstrijd

De Resultaten: Het Draait Om de Presentatie

Het Microscopische Mysterie

De "Surrogaat"-test: Kunnen we het faken?

De Conclusie

Meer zoals dit