LOGOS-CA: A Cellular Automaton Using Natural Language as State and Rule

Resumo Técnico: LOGOS-CA

1. O Problema e o Contexto

Os Autômatos Celulares (ACs) tradicionais são modelos computacionais discretos onde o estado de cada célula é tipicamente um número inteiro e as regras de atualização são definidas por código lógico fixo. Embora eficazes para simulações de fenômenos físicos e dinâmicos (como fluidos, incêndios florestais ou tráfego), eles são limitados pela rigidez de suas representações numéricas e pela dificuldade de incorporar nuances semânticas ou comportamentos complexos que exigem raciocínio contextual.

Por outro lado, os Grandes Modelos de Linguagem (LLMs) demonstraram capacidades notáveis de raciocínio de senso comum e compreensão do mundo real, como evidenciado por seu desempenho no Winograd Schema Challenge (WSC). Isso sugere que a linguagem humana produzida captura uma representação rica e matizada da realidade.

O problema central abordado pelo artigo é: Como integrar a alta poder expressivo da linguagem natural e a capacidade de raciocínio dos LLMs dentro da estrutura de autômatos celulares, permitindo que estados e regras sejam descritos em texto natural em vez de apenas números e código?

2. Metodologia: LOGOS-CA

Os autores propõem o LOGOS-CA (Language Oriented Grid Of Statements – Cellular Automaton), um novo framework onde:

• Estado da Célula: Em vez de um inteiro, cada célula contém uma descrição em linguagem natural de seu estado atual.
• Regras de Atualização: As regras de transição também são descritas em linguagem natural dentro da própria célula.
• Mecanismo de Atualização: Um LLM atua como o motor de atualização. Para cada passo de tempo, o LLM recebe:
  1. A descrição atual da célula-alvo.
  2. As descrições de suas vizinhanças (vizinhança de Moore de 8 células).
  3. Um prompt que solicita ao modelo que determine o próximo estado (descrição) da célula-alvo com base nas interações e regras fornecidas.

O processo é iterativo: o LLM gera a nova descrição em formato JSON, que se torna o estado da célula para o próximo passo. A flexibilidade do sistema reside na capacidade de alterar o comportamento global apenas modificando as descrições iniciais das células, sem reescrever o código do motor de simulação.

3. Contribuições Principais

• Novo Paradigma de Simulação: Introdução de um framework onde a semântica da linguagem natural substitui a lógica booleana ou aritmética tradicional nos autômatos celulares.
• Validação Experimental: Demonstração prática da viabilidade do framework através de dois experimentos distintos:
  1. Simulação de Incêndio Florestal: Para testar a aderência estrita a regras lógicas simples.
  2. Simulação de Vida Artificial (ALife): Para testar a flexibilidade, criatividade e evolução de regras e estados em um ambiente com maior liberdade.
• Análise de Dependência do Modelo: Investigação detalhada de como diferentes LLMs (GPT-4o, GPT-5, etc.) interpretam e executam as mesmas regras, revelando vieses e características específicas de cada modelo.

4. Resultados dos Experimentos

A. Simulação de Incêndio Florestal (Regras Estritas)

• Objetivo: Emular o modelo clássico de Bak-Chen-Tang, onde células podem ser vazias, árvore, queimando ou cinzas.
• Desempenho:
  • Modelos avançados (GPT-4o e GPT-5) emularam a simulação perfeitamente, seguindo as regras explícitas sem erros.
  • Modelos menores (GPT-4o-mini e GPT-5-nano) falharam rapidamente (já no passo $t=1$), apresentando colapso no formato de saída e violação das regras (ex: árvores queimando sem vizinhos em chamas).
  • Conclusão: Para regras estritas, a capacidade do modelo é crítica; modelos menores podem não manter a consistência lógica necessária.

B. Simulação de Vida Artificial (Regras Flexíveis)

• Objetivo: Criar um sistema onde uma célula central gera caracteres aleatórios que se propagam, testando a evolução de descrições complexas.
• Diferenças entre Modelos:
  • GPT-5-nano: Desenvolveu definições de estados simbólicos curtos (ex: "A", "Q", "*") e regras concisas. Mostrou uma dinâmica temporal mais volátil e menos estável.
  • GPT-5-mini: Produziu descrições longas, densas e formais, reminiscentes de documentos legais ou especificações técnicas. Utilizou vocabulário visual (ex: "manchas de alta frequência", "fragmentos ultracurtos") e estruturou regras com condições complexas ("se e somente se", "exceto se"). O sistema convergiu para estados estáveis mais rapidamente.
• Descoberta de Estados Simbólicos: O GPT-5-nano demonstrou a capacidade de "inventar" e estabilizar símbolos (como letras do alfabeto) como estados definidos, rastreando sua origem até descrições iniciais. O GPT-5-mini não adotou essa abstração simbólica, preferindo descrições textuais contínuas.
• Dinâmica Temporal: O GPT-5-mini estabilizou-se rapidamente (convergência), enquanto o GPT-5-nano manteve uma atividade dinâmica e variável ao longo de todo o tempo de simulação.

5. Significado e Implicações

• Potencial de Aplicação: O LOGOS-CA abre caminho para simulações de fenômenos onde a intenção humana, a semântica e a ambiguidade são centrais. Exemplos citados incluem:
  • Reações químicas (usando notação SMILES e regras em texto).
  • Fraturas de materiais (descrevendo microfissuras em texto).
  • Fenômenos sociais (tráfego, economia) onde decisões humanas e contextos culturais influenciam o comportamento.
• Desafios Identificados:
  1. Dependência do Modelo: Os resultados não são universais; dependem fortemente das características intrínsecas do LLM escolhido (estilo de escrita, capacidade de seguir regras, tendência a alucinar).
  2. Custo e Escalabilidade: A simulação é computacionalmente cara, pois cada célula requer uma chamada de API de LLM a cada passo. O custo financeiro e de tempo é significativo (ex: US$ 91 para uma simulação de ALife de 100 passos em uma grade 25x25).
  3. Controle de Variabilidade: Em simulações flexíveis, é difícil distinguir se um comportamento emergente é uma propriedade do sistema ou um artefato do modelo de linguagem específico.

Conclusão

O artigo demonstra que é possível construir autômatos celulares baseados em linguagem natural que transcendem as limitações dos modelos numéricos tradicionais. Enquanto modelos robustos conseguem seguir regras lógicas simples com precisão, a introdução de flexibilidade revela um espectro de comportamentos emergentes únicos a cada modelo de IA. O LOGOS-CA serve como uma plataforma promissora para a "Vida Artificial" e simulações sociais, mas exige cautela na interpretação dos resultados devido à dependência das características do LLM e aos altos custos computacionais.