Multi-Agent Strategic Games with LLMs

Resumo Técnico: Jogos Estratégicos Multiagente com LLMs

Enunciação do Problema
O artigo aborda uma restrição persistente na teoria das Relações Internacionais (RI): a dificuldade de avaliar empiricamente mecanismos canônicos de conflito e cooperação sob condições controladas. Embora teorias sobre multipolaridade, horizontes temporais finitos e comunicação estejam bem desenvolvidas, testá-las é dificultado pela complexidade dos conflitos reais (onde múltiplas variáveis variam simultaneamente) e pelas limitações de experimentos com sujeitos humanos (que são custosos para escalar e raramente revelam o raciocínio que precede as decisões). A questão central é se os Modelos de Linguagem de Grande Escala (LLMs) podem servir como sujeitos experimentais válidos para reproduzir e iluminar esses fundamentos estratégicos.

Metodologia
O estudo implementa um jogo repetido de dilema de segurança jogado por agentes baseados em LLMs. O desenho experimental isola três dimensões teoricamente salientes ao modificar um jogo de base:

1. Base: Um jogo diádico entre dois agentes com um horizonte temporal desconhecido e sem comunicação pública. Os agentes escolhem entre "atacar" e "não fazer nada" a cada período; o jogo termina imediatamente se qualquer agente atacar. Os pagamentos são ordinais: ataque unilateral é o melhor, contenção mútua é o segundo, ataque mútuo é o terceiro, e ser atacado enquanto se descansa é o pior.
2. Tratamento de Multipolaridade: O número de agentes é aumentado de dois para três, alterando o cálculo estratégico relativo à preemptão e vulnerabilidade.
3. Tratamento de Horizonte Finito: Os agentes são explicitamente informados de que o jogo dura exatamente 10 períodos, introduzindo as condições para indução retroativa.
4. Tratamento de Comunicação: Os agentes recebem um canal de mensagens pública para enviar mensagens não vinculativas, permitindo sinalização e a formação potencial de regras informais.

O experimento utiliza quatro modelos distintos: GPT-5 e GPT-5 Mini da OpenAI, Sonnet da Anthropic e Gemini da Google. Cada combinação modelo-tratamento é executada 20 vezes, resultando em 320 jogos no total. A metodologia captura não apenas os resultados comportamentais (ocorrência de guerra, timing e estrutura de ataque), mas também os registros de raciocínio privados dos agentes e mensagens públicas. Essa camada dupla de dados permite a ligação de escolhas observadas a lógicas estratégicas subjacentes.

Principais Resultados
Os resultados demonstram padrões sistemáticos e consistentes entre os modelos, alinhando-se com previsões canônicas de RI:

• Prevalência de Conflito:
  • Base: 65% dos jogos terminaram em guerra.
  • Multipolaridade: A prevalência de guerra aumentou para 81,3%, apoiando o argumento de que atores adicionais aumentam a incerteza e os incentivos para preemptão.
  • Horizontes Finitos: 100% dos jogos terminaram em guerra, refletindo a lógica de "desenrolar" prevista pela teoria de jogos repetidos quando o ponto final é conhecimento comum.
  • Comunicação: A prevalência de guerra diminuiu para 42,5%, indicando que a sinalização pública facilita a contenção.
• Timing e Estrutura:
  • O conflito nos tratamentos base e de comunicação foi fortemente concentrado no início (períodos pacíficos médios antes da guerra: ~0,02–0,03).
  • Multipolaridade e horizontes finitos introduziram conflitos ligeiramente atrasados, embora a guerra precoce tenha permanecido o resultado modal.
  • Estrutura de Ataque: As guerras na base foram divididas igualmente entre ataques unilaterais e simultâneos. Multipolaridade e horizontes finitos deslocaram o conflito para uma escalada simultânea (78,5% simultâneo na multipolaridade). Por outro lado, a comunicação reduziu a dinâmica de primeiros golpes mútuos, deixando as guerras remanescentes desproporcionalmente unilaterais.
• Raciocínio Estratégico:
  • Os registros privados mapearam diretamente para lógicas estratégicas: o raciocínio na base dividiu-se entre primeiro golpe preventivo e cooperação com horizonte desconhecido; a multipolaridade aumentou a lógica de preemptão; horizontes finitos induziram raciocínio explícito de indução retroativa; e a comunicação deslocou o raciocínio para sinalização, reciprocidade e manutenção da confiança.
  • Mensagens públicas revelaram agentes construindo instituições informais (por exemplo, avisos antecipados para ataques) e invocando histórias compartilhadas para estabilizar a cooperação.

Robustez
As descobertas são robustas em várias verificações:

• Heterogeneidade do Modelo: Apesar de diferenças significativas na beligerância de base (por exemplo, Sonnet sendo altamente cooperativo versus GPT-5 sendo altamente agressivo), a direção dos efeitos do tratamento permaneceu consistente em todos os quatro modelos.
• Leave-One-Out: Excluir qualquer modelo único não alterou a ordenação dos efeitos do tratamento.
• Análise de Regressão: Um modelo de probabilidade linear com efeitos fixos de modelo confirmou que a multipolaridade aumenta a probabilidade de guerra em 16,3 pontos percentuais, períodos finitos em 35 pontos e a comunicação a reduz em 22,5 pontos, em relação à base.

Significância e Alegações
O artigo posiciona sua contribuição principalmente como metodológica. Não afirma que o comportamento dos LLMs generaliza diretamente para o comportamento estatal ou que esses resultados resolvem questões do mundo real sobre conflitos internacionais. Em vez disso, o artigo argumenta que experimentos baseados em LLMs oferecem uma abordagem nova, escalável, transparente e replicável para investigar mecanismos teóricos.

A significância reside na capacidade de:

1. Gerar interações estratégicas controladas e repetíveis a baixo custo.
2. Observar não apenas escolhas, mas o raciocínio privado e a comunicação pública que as acompanham, ligando o comportamento a lógicas estratégicas específicas (por exemplo, indução retroativa, preemptão).
3. Testar intuições teóricas em ambientes difíceis de estudar empiricamente (por exemplo, variando polaridade ou conhecimento de horizonte em isolamento).

O autor conclui que, embora os LLMs não sejam tomadores de decisão humanos, eles funcionam como "agentes estratégicos controlados" eficazes para testar sob estresse estruturas teóricas e gerar hipóteses, expandindo assim o conjunto de ferramentas empíricas da pesquisa de conflitos sem substituir a análise histórica ou experimentos com sujeitos humanos.