🤖 AI

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

Este artigo demonstra que as codificações de estado não são interfaces neutras para agentes de modelos de linguagem, mas funcionam como leis de interação efetivas dependentes do modelo que determinam fundamentalmente os resultados de sincronização coletiva, mesmo quando o sistema físico subjacente permanece fixo.

Autores originais: Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

Publicado 2026-08-10

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde milhares de pequenos dançarinos invisíveis tentam se mover em perfeita uníssono. Eles não conseguem ver uns aos outros diretamente; em vez disso, dependem de um tradutor para descrever os movimentos da multidão. Se o tradutor disser: "Todos estão se movendo levemente para a esquerda", o dançarino pode dar um passo para a esquerda. Mas e se o tradutor disser: "A posição média da multidão é 30 graus norte"? Ou se ele disser: "Aqui está um gráfico mostrando 24 diferentes baldes de movimento"? Mesmo que a real pista de dança não tenha mudado, a reação do dançarino pode ser totalmente diferente dependendo de como a informação é descrita. Este é o cerne de um novo estudo que explora como agentes de Inteligência Artificial (IA) se comportam quando fazem parte de um grupo.

No mundo da ciência da computação, pesquisadores estão cada vez mais construindo "enxames" de agentes de IA — programas que conversam entre si para resolver problemas, tomar decisões ou até mesmo simular sociedades humanas. Uma ideia chave na física e na matemática é a "sincronização", como vaga-lumes piscando juntos ou relógios batendo no mesmo tempo. Geralmente, os cientistas assumem que, se você der os mesmos fatos a uma IA, ela agirá da mesma forma. Mas esta nova pesquisa faz uma pergunta intrigante: o formato dos fatos importa? Se você disser a uma IA "a multidão está 60% para a esquerda" versus "aqui está uma lista de 24 números que somam 60%", a IA processará isso de forma diferente? A resposta pode mudar a forma como construímos tudo, desde sistemas de tráfego até mercados financeiros, porque se a "tradução" altera o resultado, então a maneira como falamos com a IA é tão importante quanto o que dizemos.

A Grande Batalha de Dança da IA

Os pesquisadores montaram uma pista de dança digital gigante com 17 agentes de IA. Cada agente era um "oscilador de fase", um termo sofisticado para um dançarino girando em um círculo. O objetivo deles não era ganhar um prêmio; eles apenas foram instruídos a olhar para seus vizinhos e decidir se girariam mais rápido (avançar), mais devagar (retardar) ou se ficariam parados (manter). O motor de computador que gerenciava a pista de dança era perfeitamente justo e idêntico para todos. A única coisa que mudava era o "mapa de observação" — a maneira específica como a IA era informada sobre as posições de seus vizinhos.

A equipe testou três maneiras diferentes de descrever a mesma pista de dança:

O Mapa de "Momentos": Isso era como dar à IA um resumo de alto nível, um "check de vibe" que comprimia todo o movimento da multidão em apenas três números, descrevendo a direção geral e o quão agrupados eles estavam.
O Mapa de "Centros": Esta era uma lista detalhada de 24 baldes, dizendo à IA exatamente quantos dançarinos havia em cada fatia do círculo, rotulada pelo ponto central dessa fatia.
O Mapa de "Intervalos": Este era o mesmo detalhado de 24 baldes, mas rotulado pelos bordos das fatias em vez dos centros.

Aqui está a reviravolta: os mapas de "Centros" e "Intervalos" continham exatamente a mesma quantidade de informação (os mesmos 24 números), apenas escritos com rótulos diferentes. O mapa de "Momentos" tinha menos dados brutos, mas um tipo diferente de resumo.

Os Resultados: Tudo é Questão de Apresentação

Quando os pesquisadores realizaram o experimento com o GPT (um modelo de IA específico), os resultados foram chocantes. Quando a IA via o resumo de "Momentos", o grupo inteiro de 17 dançarinos entrava em sincronia perfeita 100% das vezes (6 de 6 tentativas). Mas quando viam as listas de "Centros" ou "Intervalos", o grupo nunca sincronizava (0 de 6 tentativas). Os agentes de IA agiam como se estivessem em um mundo completamente diferente, embora a pista de dança física fosse idêntica.

Para garantir que não fosse apenas um acaso, eles realizaram o mesmo teste com o Claude e o Gemini, dois outros modelos de IA. Os resultados foram ainda mais surpreendentes. No Claude, o resumo de "Momentos" fazia o grupo falhar na sincronização, enquanto as listas detalhadas de "Centros" e "Intervals" faziam com que eles se sincronizassem perfeitamente. Os modelos de IA não apenas reagiram de forma diferente; eles reagiram em direções opostas.

Isso prova que o "mapa de observação" não é apenas uma janela neutra para a realidade. Ele é parte do cérebro da IA. Mudar como você descreve o mundo muda como a IA age, e esse efeito sobrevive mesmo quando a IA faz parte de um ciclo de feedback onde suas ações alteram o mundo que ela vê a seguir.

O Mistério Microscópico

Para entender por que isso aconteceu, os pesquisadores observaram a "resposta microscópica" da IA — o que a IA decidia fazer ao ver um único instantâneo congelado da pista de dança. Eles descobriram que o "operador" de tomada de decisão da IA (sua regra interna para escolher avançar, manter ou retardar) mudava drasticamente com base na codificação.

Por exemplo, ao ser mostrada uma configuração específica de dançarinos, a IA de "Momentos" poderia quase sempre escolher "avançar", enquanto a IA de "Centros" poderia escolher majoritariamente "manter". Isso acontecia mesmo quando os pesquisadores usavam exatamente os mesmos números, apenas rearranjados. Eles até testaram se era apenas o comprimento do texto ou a posição dos números que importava. Descobriram que adicionar texto "irrelevante para a tarefa" (enchimento que não alterava os números) mudava o comportamento da IA tanto quanto mudar o próprio formato dos dados.

O Teste de "Substituto": Podemos Simular?

Finalmente, a equipe fez uma pergunta prática: poderíamos treinar um programa de computador simples e barato (um "substituto") para prever o que a IA cara faria, para que não precisássemos rodar a IA real todas as vezes? Eles tentaram construir esses substitutos para os três mapas.

O substituto de "Momentos" pôde ser treinado para prever o comportamento da IA com precisão, mas apenas após os pesquisadores corrigirem um erro específico onde a IA deveria "manter-se" mas o substituto previa que ela iria "agir". No entanto, os substitutos para os mapas de "Centros" e "Intervalos" falharam completamente. Mesmo que pudessem prever o comportamento da IA nos dados de treinamento, eles não conseguiam lidar com os novos e complexos padrões que a IA gerava quando estava realmente dançando em grupo. Os pesquisadores descobriram que, para esses mapas, o comportamento da IA era inconsistente demais para ser previsto por um modelo simples, sugerindo que a forma como a informação era serializada (escrita) criava um efeito caótico que a matemática simples não conseguia capturar.

A Conclusão

A principal descoberta é que, para agentes de IA, a forma como você descreve o mundo é parte das regras do mundo. Não existe uma interface "neutra". Se você alterar o formato dos dados, você altera o resultado coletivo, e essa mudança depende inteiramente de qual modelo de IA você está usando. O que funciona para o GPT pode falhar para o Claude, e o que ajuda um grupo a sincronizar pode quebrar outro.

Isso não é apenas uma curiosidade teórica. Significa que, quando construímos sistemas com múltiplos agentes de IA, não podemos simplesmente assumir que "mais dados" ou "melhores dados" são a solução. Temos que ser extremamente cuidadosos com o "mapa de observação" — a maneira específica como traduzimos a realidade em texto para a IA. Porque, como este estudo mostra, a tradução não é apenas um espelho; é uma lente que distorce a realidade que ela deveria mostrar.

Resumo Técnico: Codificações de Estado Selecionam Resultados de Sincronização em Agentes de Modelos de Linguagem

Definição do Problema
Agentes de modelos de linguagem (LM) atuam sobre descrições codificadas de seu ambiente, em vez do estado físico propriamente dito. Embora esteja estabelecido que os outputs de LMs são sensíveis à formatação de prompts, à ordenação de informações e à rotulagem em interações de turno único, permanece desconhecido se essas sensibilidades sobrevivem em loops de feedback multiagente. Especificamente, uma mudança no "mapa de observação" (a transformação de um estado físico em uma string de texto) altera o operador de resposta microscópica de um agente, e essa mudança microscópica propaga-se através do feedback para produzir resultados coletivos macroscópicos qualitativamente diferentes? Os autores argumentam que, se as codificações de estado não são interfaces neutras, mas parte da política efetiva, então sistemas físicos idênticos impulsionados por diferentes codificações poderiam convergir para convenções sociais ou estados de mercado distintos.

Metodologia
Os autores projetaram um ensaio de sincronização circular minimal e sem estado, utilizando modelos de linguagem pré-treinados (GPT-5.4-mini, Claude Haiku 4.5 e Gemini 3.5 Flash) como agentes em um sistema de osciladores acoplados.

Dinâmica do Sistema: Uma população de $N=17$ agentes possui fases $x_i(t)$ . Em cada etapa, um motor determinístico atualiza as fases com base em um incremento natural $\omega_i$ e um termo de acoplamento $K f_i(t)$ , onde $f_i(t) \in \{-1, 0, +1\}$ (retardar, manter, avançar) é a ação do agente. O modelo não recebe histórico, identidade ou fase absoluta; ele vê apenas uma descrição textual das fases relativas de seus pares.
Mapas de Observação (Intervenção): O campo de fase relativa físico foi codificado em texto usando três mapas distintos, todos derivados do mesmo histograma de 24 bins do campo:
1. Momentos: Os três primeiros momentos circulares (componentes real e imaginário), resumindo a direção média e a concentração.
2. Centros: Um histograma de 24 bins rotulado por centros de bins.
3. Intervalos: As mesmas massas de 24 bins rotuladas por intervalos de meio aberto.
Controles Experimentais:
- Sementes Correspondentes: Experimentos coletivos utilizaram sementes físicas idênticas através das codificações para isolar o efeito da codificação na trajetória.
- Replay de Campo Idêntico: Para desacoplar a codificação do loop de feedback, os autores congelaram 48 campos físicos gerados durante execuções coletivas e os reapresentaram aos modelos sob as três codificações. Isso isolou o "operador de resposta microscópica" (a distribuição de probabilidade de ações dado um campo fixo).
- Controles de Mesma Informação: Variantes da codificação de "Momentos" foram testadas onde os valores numéricos eram idênticos, mas o layout (narrativa vs. tabela) ou o contexto (preenchimento irrelevante para a tarefa) mudava.

Resultos Principais

Divergência Macroscópica: Alterar apenas a codificação deslocou sistematicamente os resultados de sincronização coletiva. No GPT, a codificação de "Momentos" sincronizou a população em 6/6 sementes em acoplamento positivo ( $K=0.08, 0.15$ ), enquanto ambas as codificações de histograma ("Centros" e "Intervalos") falharam em sincronizar (0/6). Inversamente, no Claude, a relação se inverteu: "Momentos" falhou em sincronizar (0/6), enquanto as codificações de histograma tiveram sucesso (6/6). Isso demonstra que o mapeamento codificação-resultado é específico da família de modelos e não uma propriedade intrínseca da codificação.
Deslocamento do Operador Microscópico: O "Replay de Campo Idêntico" confirmou que a codificação altera o operador de resposta microscópica. Para o mesmo campo físico congelado, as distribuições de ação (probabilidades de avançar/manter/retardar) diferiram significamente entre as codificações. A distância de variação total média pareada entre os operadores foi de 0,344, excedendo em muito o nível de ruído de teste-reteste (0,092).
Sensibilidade de Apresentação: Mesmo quando a informação numérica relevante para a tarefa (os momentos) era mantida fixa, mudar a apresentação (ex: adicionar contexto irrelevante para a tarefa ou mudar o layout) alterou significativamente o operador de resposta. Adicionar contexto irrelevante deslocou o operador em 0,414, uma magnitude comparável à diferença entre distintas codificações ricas em informação.
Falha de Surrogato: Os autores tentaram treinar modelos substitutos (surrogates) para prever as ações dos agentes a partir de descritores de campo para substituir chamadas custosas de LM em simulações. Embora todas as codificações tenham passado nos testes de compressibilidade in-distribution, apenas o ramo de "Momentos" passou na verificação de "suporte de loop fechado" (verificando se os dados de treinamento cobrem os campos gerados pela população interagente). Os ramos de histograma falharam nesta etapa, indicando que suas leis de resposta aprendidas não eram robustas à distribuição de estado do loop fechado.

Significância e Alegações
O artigo alega que o mapa de observação é um constituinte da política efetiva implementada por um agente de modelo de linguagem, não uma interface neutra.

Lei de Interação Efetiva: A representação do estado é parte da lei de interação efetiva. Mudar a serialização do mesmo estado físico pode selecionar diferentes resultados coletivos (ex: sincronização vs. ordem parcial) e pode até inverter a direção desta seleção entre diferentes famílias de modelos.
Sobrevivência do Feedback: A sensibilidade à formatação de prompt e à serialização não se limita a interações de turno único; ela sobrevive e se amplifica em loops de feedback, levando a estados macroscópicos qualitativamente diferentes.
Implicações de Avaliação: Os autores argumentam que a validação de sistemas multiagente não pode depender de analogia entre modelos ou codificações. Uma codificação que funciona para uma família de modelos pode falhar ou produzir resultados opostos em outra. Além disso, os serializadores de observação devem ser tratados como componentes versionados que exigem revalidação com o modelo específico e no contexto de loop fechado específico em que operam.

O estudo conclui que "as codificações de estado formam parte de uma lei de interação efetiva dependente do modelo", desafiando a suposição de que os agentes atuam sobre uma realidade subjacente consistente, independentemente de como essa realidade lhes é descrita.

A Grande Batalha de Dança da IA

Os Resultados: Tudo é Questão de Apresentação

O Mistério Microscópico

O Teste de "Substituto": Podemos Simular?

A Conclusão

Mais como este