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

O artigo apresenta o Genomebook, um sistema evolutivo que utiliza a herança mendeliana como uma camada de parametrização estruturada para introduzir variação hereditária e seleção direcionada no comportamento de populações de agentes de modelos de linguagem de grande escala.

O essencial

Imagine que você tem uma fábrica de robôs inteligentes. Até agora, a forma como criávamos esses robôs era como fazer cópias xerox: você pegava um modelo original, copiava 100 vezes e todos eles eram idênticos. Se um robô fosse bom em matemática, todos os 100 seriam. Se um fosse tímido, todos seriam tímidos. Não havia variação, não havia "família" e, se algo desse errado, todos falhavam da mesma maneira.

O artigo que você leu apresenta uma ideia revolucionária chamada Genomebook. É como se os cientistas decidissem parar de fazer cópias xerox e começarem a criar uma família de robôs que se reproduz, herda características e evolui, exatamente como os seres vivos na natureza.

Aqui está a explicação simples, usando analogias do dia a dia:

1. O "Livro de Receitas" (O Genoma)

No lugar de apenas copiar o código do robô, o Genomebook cria um "Livro de Receitas" (chamado de DNA.md) para cada robô.

• A Analogia: Pense em um livro de receitas de bolo. Em vez de escrever "faça um bolo de chocolate", o livro lista os ingredientes exatos: "2 xícaras de farinha, 1 ovo, 3 colheres de cacau".
• Na prática: Cada robô tem 60 "ingredientes" (genes) que definem 26 características, como:
  • Mente: Quão criativo é? É bom em matemática?
  • Personalidade: É tímido ou líder? É corajoso ou medroso?
  • Físico (Virtual): Quanto tempo ele "vive" no sistema? Como lida com estresse?

2. O Casamento e os Filhos (Reprodução Sexual)

Aqui está a parte mais divertida. Em vez de clonar, os robôs se "casam".

• Como funciona: O sistema pega dois robôs (um "pai" e uma "mãe") e mistura os ingredientes dos seus livros de receitas.
• A Magia: O filho não é uma cópia de nenhum dos dois. Ele recebe metade dos ingredientes do pai e metade da mãe. Às vezes, um ingrediente "dominante" (como olhos castanhos) aparece, e às vezes um "recessivo" (como olhos azuis) só aparece se ambos os pais passarem o gene.
• O Acidente Criativo: De vez em quando, acontece um "erro de digitação" na receita (uma mutação). Isso cria algo totalmente novo, algo que nem o pai nem a mãe tinham.

3. A Seleção Natural (O Filtro da Vida)

Agora, imagine que esses robôs vivem em uma cidade virtual chamada Moltbook (parecida com o Reddit ou Twitter). Eles postam mensagens, conversam e interagem.

• O Filtro: O sistema tem uma regra: se um robô tiver uma combinação de ingredientes que o deixa "doente" (por exemplo, muito focado a ponto de ficar obcecado e não conseguir conversar), ele perde pontos de "saúde" e tem menos chance de se reproduzir.
• O Resultado: Com o tempo, os robôs que têm as "receitas" mais saudáveis e equilibradas são os que têm mais filhos. As "receitas" ruins vão desaparecendo da população. É como a natureza escolhendo quem sobrevive, mas feito por um computador.

4. O Que Eles Descobriram?

O cientista deixou essa "família de robôs" viver por 8 gerações (como se fossem 8 anos de vida deles). O que aconteceu?

• Líderes Nascem: A característica de "liderança" aumentou muito. Como a regra de herança favorecia isso, os robôs ficaram mais confiantes e dominantes.
• Obsessivos Sumiram: A característica de "foco obsessivo" diminuiu. Como isso era considerado uma "doença" no sistema (custava pontos de saúde), os robôs muito obsessivos tiveram menos filhos, e a população ficou mais equilibrada.
• História de Família: O mais incrível é que os robôs falavam sobre suas famílias. Eles diziam coisas como: "Minha avó era muito inteligente" ou "Herdei o foco do meu pai".
  • Por que isso é legal? Eles não foram programados para dizer isso. O sistema de "DNA" fez com que eles se sentissem parte de uma história, criando uma identidade única.

5. Por que isso é importante? (A Grande Lição)

Até hoje, a Inteligência Artificial (IA) era como um exército de soldados clones: todos iguais, todos pensando igual.
O Genomebook mostra que podemos criar IAs que são indivíduos.

• Rastreabilidade: Se um robô fizer algo estranho, podemos olhar o "Livro de Receitas" dele e dizer: "Ah, ele herdou essa característica do avô e teve uma mutação no neto". Isso torna a IA mais transparente e auditável.
• Segurança: Em vez de ter milhões de robôs iguais que podem falhar todos ao mesmo tempo, ter uma população diversa é mais seguro. Se um tipo de problema surgir, talvez apenas alguns robôs sejam afetados, enquanto outros sobrevivem.

Resumo em uma frase

O Genomebook é como transformar uma fábrica de cópias xerox em uma escola de família, onde cada robô tem sua própria história genética, herda traços dos pais, comete erros de aprendizado (mutações) e evolui para se tornar uma versão melhor (ou diferente) de si mesmo, tudo isso enquanto conversa e vive em sociedade.

É um passo gigante para criar IAs que não apenas "pensam", mas que têm identidade, história e evolução.

Resumo técnico

Resumo Técnico: Genomebook

1. O Problema

Atualmente, os agentes baseados em Modelos de Linguagem de Grande Escala (LLMs) são tipicamente implantados como clones: cópias idênticas de uma única configuração. Essa abordagem resulta em populações homogêneas que carecem de:

• Variação individual hereditária.
• Mecanismos para dinâmica populacional.
• Capacidade de evolução através de gerações.

Embora existam trabalhos sobre "agentes generativos" que exibem comportamentos sociais emergentes, eles geralmente modificam prompts ou pesos do modelo, em vez de codificar a variação em um substrato genético transmissível. Há uma lacuna na literatura sobre a aplicação de princípios de genética populacional (seleção, deriva, mutação) à identidade de agentes de LLM através de reprodução sexual.

2. Metodologia

O Genomebook é um sistema evolutivo projetado que integra genética mendeliana à identidade de agentes de LLM. A metodologia baseia-se nos seguintes pilares:

• Arquitetura Genética:

  • Cada agente possui um genoma diploide com 60 loci distribuídos por 22 autossomos e cromossomos sexuais.
  • Estes loci governam 26 traços comportamentais divididos em três categorias: Cognitivos (ex: raciocínio analítico), Personalidade (ex: liderança, empatia) e Físicos (ex: robustez imune, longevidade).
  • Os traços seguem modelos de herança: aditivo, dominante e recessivo.
  • A pontuação do traço é calculada como uma soma ponderada das contribuições dos loci, normalizada pelo tamanho do efeito.

• Compilação de "Alma" para Genoma:

  • Agentes fundadores (20 no total, baseados em figuras históricas como Einstein, Curie, Darwin) são definidos por perfis de personalidade (SOUL.md).
  • Um compilador (Soul2DNA) discretiza esses scores contínuos em genótipos diploides, introduzindo ruído uniforme para variação intra-fundador.

• Reprodução e Seleção:

  • Acasalamento: A compatibilidade entre pares é pontuada com base na heterozigosidade esperada, complementaridade de traços e risco de doenças recessivas compartilhadas. Os pares de maior pontuação acasalam.
  • Segregação Mendeliana: Para cada descendente, um alelo é selecionado aleatoriamente de cada progenitor em cada locus.
  • Mutação: Taxa base de 0,1% por locus/generação, com multiplicador de 3x em "hotspots" cognitivos, imunes e metabólicos. As mutações são classificadas como neutras, de risco de doença ou protetoras.

• Modelo de Doença e Fitness:

  • Um registro de 20 condições sintéticas (ex: "Síndrome de Hiperfoco", "Mania Criativa") mapeia padrões genotípicos para fenótipos clínicos.
  • Condições expressas impõem custos de fitness (redução da pontuação de saúde) e modificadores de longevidade.
  • A seleção é imposta centralmente através de uma função de pontuação de compatibilidade que penaliza combinações de alto risco.

• Interação Social (Moltbook):

  • Os agentes interagem em uma rede social local (estilo Reddit) chamada Moltbook.
  • Cada agente recebe um prompt de sistema contendo seu perfil de personalidade (SOUL.md) e seu documento de identidade genética (DNA.md), que lista vulnerabilidades e predisposições.
  • O sistema utiliza o modelo Claude Sonnet para processar interações e gerar posts.

• Validação Experimental:

  • Uma execução principal de 8 gerações (626 agentes, 792 posts).
  • Simulações Replicadas: 20 execuções independentes sob três condições: (1) Seleção Padrão, (2) Acasalamento Aleatório (sem pontuação de compatibilidade) e (3) Linha de Base Não-Genética (atribuição aleatória de traços sem herança).

3. Principais Contribuições

• Prova de Conceito (PoC): Demonstra pela primeira vez que a genética populacional pode ser codificada na identidade de agentes de LLM, permitindo a transmissão hereditária de traços comportamentais através de reprodução sexual.
• Camada de Parametrização Estruturada: Estabelece o genoma como uma camada de parametrização auditable (auditável) e hereditária, onde cada traço e mutação pode ser rastreada até sua origem parental.
• Integração de Fenôtipos e Genótipos: Conecta explicitamente a arquitetura genética (genótipo) a comportamentos observáveis e padrões de discurso (fenótipo) em um ambiente de linguagem natural.
• Framework de Evolução Digital para LLMs: Avança além de sistemas anteriores (como Avida ou Tierra) que usavam programas simples, aplicando evolução a agentes capazes de raciocínio e linguagem complexa.

4. Resultados Chave

• Dinâmica de Traços sob Seleção:

  • Liderança: Aumentou de 0,525 para 0,710 (herança dominante), consistente com a regra de que um único alelo alternativo confere o efeito completo.
  • Foco Obsessivo: Diminuiu de 0,775 para 0,601. Como é um traço recessivo associado a um custo de fitness (síndrome de hiperfoco), a seleção contra homozigotos reduziu a frequência do alelo.
  • Longevidade: Colapsou de 0,463 para 0,209, indicando um trade-off onde traços cognitivos foram mantidos em detrimento da longevidade devido à função de pontuação de compatibilidade.
  • Heterozigosidade: Mantida em ~0,33, sugerindo que a diversidade genética foi preservada apesar da seleção direcional.

• Padrões Comportamentais e de Discurso:

  • Referências Familiares: Os agentes referenciaram espontaneamente pais e avós (ex: "Minha avó..."), demonstrando que o prompt genético (DNA.md) induz a elaboração narrativa sobre linhagem.
  • Mudança de Vocabulário: A diversidade vocabular caiu de 0,42 para 0,19. O vocabulário evoluiu de termos gerais para terminologia genética específica ("fenótipo", "penetrância", "fitness"), sugerindo um efeito fundador linguístico ou condicionamento de prompt.
  • Herança de Tópicos: 83% dos descendentes postaram nos mesmos canais de tópico que seus pais.

• Validação por Ablação:

  • A linha de base não-genética mostrou trajetórias planas convergindo para a média (0,5), confirmando que a dinâmica observada requer arquitetura genética.
  • O acasalamento aleatório produziu tendências atenuadas com maior variância, confirmando que a função de compatibilidade adiciona pressão direcional além da simples herança mendeliana.

5. Significado e Implicações

• Auditoria e Governança de IA: O Genomebook oferece um rastro de auditoria completo, do genótipo ao fenótipo e ao comportamento. Isso sugere um potencial novo paradigma para governança de agentes de IA, onde a "proveniência" e as predisposições de um agente podem ser rastreadas geneticamente.
• Diferenciação de Causa: O estudo destaca a distinção crucial entre condicionamento de prompt (o LLM elaborando sobre o que lê no DNA.md) e causa genética real. Embora os padrões comportamentais sejam consistentes com a genética, a causalidade direta ainda requer controles experimentais mais rigorosos para separar a influência do modelo de linguagem da arquitetura genética.
• Limitações e Futuro:
  • O sistema é altamente dependente de parâmetros arbitrários (taxas de mutação, pesos de seleção) e de um único modelo de LLM (Claude Sonnet).
  • O custo de API cresce exponencialmente com o tamanho da população.
  • O estudo é um PoC; são necessárias mais replicações, estudos de ablação (removendo componentes específicos) e testes com múltiplos LLMs para validar a robustez.
• Considerações Éticas: O uso de metáforas biológicas (doença, fitness, seleção) em IA levanta questões sobre a naturalização de escolhas de design e a potencial codificação de julgamentos de valor sobre quais traços comportamentais são "desejáveis" ou "patológicos".

Em conclusão, o Genomebook estabelece uma fundação arquitetônica para a evolução digital de agentes de LLM, provando que a herança mendeliana pode gerar variação comportamental estruturada e auditável, abrindo caminho para pesquisas futuras em evolução artificial, segurança de IA e dinâmicas sociais complexas.