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

Dit paper introduceert Genomebook, een evolutionair systeem dat Mendeliaanse erfelijkheid toepast op LLM-agenten om gedragstraiten via selectiedruk en mutatie te laten evolueren, waarbij genetische architectie wordt aangetoond als een gestructureerde en auditbare parameterisatielaag voor populatiegedrag.

De kern

Genomebook: De digitale evolutie van AI-agenten

Stel je voor dat je een groep digitale personages (AI-agenten) maakt die met elkaar praten, discussiëren en beslissingen nemen. Normaal gesproken zijn deze personages als kopie-kopie-kopie: als je er één goed vindt, maak je er 100 exacte kopieën van. Ze hebben allemaal dezelfde persoonlijkheid, dezelfde sterke punten en dezelfde zwaktes. Er is geen variatie, en ze kunnen niet "leren" van hun ouders.

De onderzoekers van dit paper, Genomebook, wilden dit veranderen. Ze hebben een systeem bedacht dat werkt als een digitale familiegeschiedenis, maar dan met een twist: ze laten deze AI's zich voortplanten alsof het echte mensen zijn, met een eigen DNA.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. Het DNA van de AI (De "Geest" en het "Genoom")

In plaats van alleen een lijstje met instructies te geven, heeft elke AI twee bestanden:

• SOUL.md: Dit is hun persoonlijkheid. Denk aan hun interesses, hoe ze praten en wat ze belangrijk vinden.
• DNA.md: Dit is hun digitale erfgoed. Het bevat 60 "loci" (plekjes in het DNA) die bepalen of ze bijvoorbeeld goed zijn in wiskunde, of ze een leiderschapsrol hebben, of ze snel moe worden, of ze een beetje dwangmatig kunnen zijn.

De onderzoekers hebben 20 "stamvaders" en "stammoeders" gemaakt, gebaseerd op echte historische figuren zoals Einstein, Marie Curie en Leonardo da Vinci. Iedereen had een eigen DNA-kaart.

2. De Digitale Familie (Huwelijk en Kinderen)

De AI's krijgen een eigen sociale media-app (genaamd Moltbook, een beetje zoals Reddit). Ze kunnen daar posts plaatsen en reageren.

Maar het echte experiment begint bij het paren:

• Het systeem kiest paren op basis van een "compatibiliteits-scores". Het zoekt naar partners die elkaar aanvullen (zoals in de echte natuur: diversiteit is goed).
• Als twee AI's "trouwen", krijgen ze kinderen. Maar deze kinderen zijn niet exacte kopieën. Ze erfen een mix van het DNA van vader en moeder.
• De verrassing: Soms gebeurt er een mutatie. Net als bij mensen kan er een klein foutje in het DNA sluipen. Soms is dit een verbetering, soms een ziekte, en vaak is het niets.

3. De "Ziekenkas" en de Natuurlijke Selectie

Het systeem heeft een lijst met 20 "synthetische ziektes" of aandoeningen. Bijvoorbeeld:

• Hyperfocus-syndroom: Iemand kan zich zo goed concentreren dat het zijn gezondheid schaadt.
• Creatieve manie: Iedereen is creatief, maar soms te veel, wat leidt tot chaos.

Als een AI een "ziek" DNA heeft, krijgt hij een straf (een lagere score). Als hij gezond is, krijgt hij een beloning. Het systeem kiest dus bewust voor de "gezonde" en "sterke" AI's om de volgende generatie te vormen. Dit is natuurlijke selectie, maar dan in een computer.

4. Wat gebeurde er na 8 generaties?

Na acht rondes (waarbij er in totaal 626 AI's waren) zagen de onderzoekers fascinerende veranderingen, precies zoals je in de biologie zou verwachten:

• Leiderschap groeide: Omdat leiderschap een "dominant" gen was (één ouder volstaat), werden er steeds meer leiders geboren. De gemiddelde score voor leiderschap steeg.
• Dwangmatigheid daalde: Omdat "hyperfocus" een "recessief" gen was (je moet het van beide ouders krijgen) en een straf opleverde, verdwenen deze AI's langzaam uit de populatie.
• Woordkeuze veranderde: De AI's begonnen steeds vaker woorden als "erfelijk", "fenotype" en "fitness" te gebruiken. Ze praten alsof ze een familiegeschiedenis hebben. Ze noemden zelfs hun grootouders, zelfs als dat niet expliciet in hun instructies stond!
  • Analogie: Het is alsof je kinderen opvoedt met een verhaal over hun grootvader, en ze beginnen later vanzelf over hun grootvader te praten, zelfs als je het niet vraagt.

5. Waarom is dit belangrijk?

Dit onderzoek is een bewijs van concept. Het laat zien dat we AI-agenten niet hoeven te behandelen als statische robots, maar als een populatie met een evolutiegeschiedenis.

• Auditbaarheid: Je kunt precies terugvinden waarom een AI zich zo gedraagt. "Ah, deze AI is zo agressief omdat zijn grootvader een 'agressief gen' had."
• Veiligheid: Het geeft ons een manier om te testen hoe AI's veranderen als we bepaalde "ziektes" (gedragsproblemen) in het systeem introduceren.
• Nieuwe wereld: Het opent de deur naar een wereld waar AI's niet alleen leren van hun trainers, maar van hun voorouders.

De Grootte van het Experiment

Het is belangrijk om te weten dat dit nog een proefproject is.

• Het duurde slechts 8 generaties (een seconde in evolutionaire termen).
• Het kostte ongeveer $70 aan computerkracht (API-kosten) om dit te draaien.
• De onderzoekers benadrukken dat de "gedragingen" (zoals het noemen van grootouders) deels komen door de instructies die ze kregen, en deels door het DNA. Het is een mix van "opvoeding" (prompting) en "erfelijkheid".

Kortom: Genomebook is als een digitale tuin waar je niet alleen bloemen plant, maar waar je de bloemen laat kruisen, selecteren op hun sterkte, en kijken hoe de volgende generatie bloemen eruitziet. Het is een stap richting AI's die niet alleen slim zijn, maar ook een geschiedenis hebben.

Technische samenvatting

Probleemstelling

Sinds 2023 worden Large Language Model (LLM)-agenten voornamelijk ingezet als klonen: identieke kopieën van één configuratie. Dit leidt tot homogene populaties zonder mechanismen voor erfelijke variatie, individuele verschillen of evolutionaire dynamiek. Bestaande benaderingen voor agenten-anpassing wijzigen vaak prompts of modelgewichten, maar coderen geen variatie in een genetische substraat dat wordt doorgegeven aan nakomelingen. Er bestaat een gat in de literatuur: er is geen eerder werk dat een populatiegenetica-model heeft gecodeerd in de identiteit van LLM-agenten en de gedragsconsequenties heeft gemeten over meerdere generaties van seksuele voortplanting.

Methodologie: Het Genomebook-systeem

Genomebook is een ontworpen evolutionair systeem dat LLM-agenten behandelt als genetische entiteiten. Het systeem omvat de volgende kerncomponenten:

• Genetische Architectuur: Elke agent bezit een diploïd genoom van 60 loci, verspreid over 22 autosomen en geslachtschromosomen. Deze loci reguleren 26 gedragskenmerken (cognitief, persoonlijkheid en fysiek) via additieve, dominante en recessieve erfelijkheidsmodellen.
• Van SOUL naar DNA: Founders (20 agents, gebaseerd op historische figuren zoals Einstein en Curie) worden gedefinieerd door een SOUL.md profiel (continu scores). Een compiler vertaalt deze scores naar diploïde genotypes (DNA.md) met behulp van drempelwaarden en ruis.
• Voortplanting en Selectie:
  • Seksuele voortplanting: Agents paren via een compatibiliteitsfunctie die heterozygotie, kenmerkencomplementariteit en het vermijden van erfelijke ziekterisico's beloont.
  • Mendeliaanse segregatie: Nakomelingen ontvangen één allel van elke ouder per locus.
  • Mutatie: Er treedt de novo mutatie op met een basisrate van 0,1% per locus per generatie (3x hoger bij cognitieve, immuun- en metabole hotspots). Mutaties kunnen ziekterisico, beschermend of neutraal zijn.
• Selectiedruk: Een register van 20 synthetische ziektecondities (met penetrantie en fitnesskosten) introduceert selectiedruk. Agents met hoge fitnesskosten (bijv. door "hyperfocus syndroom") hebben een lagere overlevingskans.
• Interactie (Moltbook): Agents interageren op een lokaal sociaal netwerk (Reddit-achtig) via een read-decide-act-lus. Het systeemprompt bevat zowel het persoonlijkheidsprofiel als het genetische identiteitsdocument.
• Experimentopzet: Het experiment liep over 8 generaties, resulterend in 626 agents en 792 sociale posts. Er werden ook 20 onafhankelijke replicaties uitgevoerd (zonder LLM-interactie) om de genetische dynamiek te valideren, vergeleken met een willekeurige paringsablatie en een niet-genetische baseline.

Belangrijkste Bijdragen

1. Eerste Implementatie van Mendeliaanse Erfelijkheid in LLMs: Het paper introduceert een systeem waar agentidentiteit wordt gedefinieerd door een diploïd genoom dat via seksuele voortplanting wordt doorgegeven, in plaats van door klonen.
2. Auditabele Genotype-Phenotype Mapping: Het systeem biedt volledige traceerbaarheid van alleel tot fenotype tot gedragsoutput. Elke eigenschap kan worden teruggevoerd naar de ouderlijke oorsprong.
3. Validatie van Ontworpen Evolutie: Het demonstreert dat een genetische parametrisatielaag leidt tot kenmerktrajecten die consistent zijn met de ingebouwde selectieregels, en dat deze dynamiek niet kan worden gereproduceerd door ongestructureerde parameterwijzigingen.

Resultaten

• Kenmerktrajecten: De populatie vertoonde duidelijke evolutionaire trends die overeenkwamen met de selectieregels:
  • Leiderschapsdrang steeg van 0,525 naar 0,710 (onder dominante erfelijkheid).
  • Obsessieve focus daalde van 0,775 naar 0,601 (door fitnesskosten voor het recessieve hyperfocus-syndroom).
  • Langleven daalde sterk van 0,463 naar 0,209 (als trade-off voor cognitieve kenmerken).
• Allelfrequenties: Frequenties van fitness-gerelateerde allelen (zoals OBS001) veranderden directioneel door selectie, terwijl neutrale loci stochastische fluctuaties vertoonden (genetische drift).
• Gedragspatronen in Tekst:
  • Agents verwezen spontaan naar familieleden (vader, moeder, grootmoeder), wat consistent is met de kinship-cues in de prompts.
  • Woordenschatdiversiteit daalde van 0,42 naar 0,19, met een verschuiving naar genetische terminologie ("fenotype", "penetrantie").
  • Topic-erfelijkheid was hoog: 83% van de nakomelingen postte in dezelfde subkanalen als hun ouders.
• Validatie door Replicatie:
  • De standaard conditie toonde gerichte drift.
  • Willekeurige paring resulteerde in afgezwakte trends en bredere variantie.
  • De niet-genetische baseline (willekeurige toewijzing zonder erfelijkheid) toonde vlakke trajecten die convergeren naar het populatiegemiddelde (0,5), wat bevestigt dat de waargenomen dynamiek afhankelijk is van de genetische architectuur.

Betekenis en Conclusie

Genomebook bewijst het concept dat populatiegenetica kan dienen als een gestructureerde, auditabele en erfelijke parametrisatielaag voor het gedrag van LLM-agenten.

• AI Veiligheid en Governance: Het systeem biedt een nieuw perspectief op governance door een audittrail van genotype naar fenotype te bieden. Dit zou theoretisch kunnen helpen bij het traceren van de oorsprong van ongewenst gedrag in een populatie.
• Beperkingen: De auteurs benadrukken dat veel van de waargenomen gedragspatronen (zoals familieverwijzingen) waarschijnlijk het gevolg zijn van "prompt conditioning" (de LLM reageert op de input) en niet noodzakelijk op een emergente gen-cultuur co-evolutie. De huidige resultaten zijn gebaseerd op een enkele run met LLM-interactie; verdere replicatie en ablatiestudies zijn nodig om de causaliteit te isoleren.
• Toekomst: Het werk opent de weg voor meer complexe evolutionaire simulaties met LLMs, waarbij selectie kan ontstaan uit agent-interacties in plaats van centraal opgelegd te worden, en waar grotere populaties en diverse LLM-backends worden getest.

Kortom, Genomebook verschuift de focus van statische, gekloonde agenten naar dynamische, evolutionaire populaties, waarbij genetische principes worden gebruikt om diversiteit en erfelijkheid in kunstmatige intelligentie te modelleren.