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

想象一个这样的世界：成千上万个微小的、隐形的舞者正试图完美地同步行动。他们无法直接看到彼此，而是依靠一位翻译员来描述人群的动作。如果翻译员说：“大家都在向左轻微移动，”舞者可能会向左迈步。但如果翻译员说：“人群的平均位置是北纬30度”呢？或者如果他们说：“这里有一张显示24个不同运动桶（buckets）的图表”呢？尽管实际的舞池并没有改变，但舞者的反应可能会因为信息的描述方式不同而截然不同。这正是这项探索人工智能（AI）智能体在群体中如何表现的新研究的核心。

在计算机科学领域，研究人员越来越多地构建“集群”（swarms）式的AI智能体——这些程序通过相互交流来解决问题、做出决策，甚至模拟人类社会。物理学和数学中有一个核心概念是“同步”（synchronization），就像萤火虫同步闪烁或时钟整齐滴答一样。通常，科学家们假设如果你给AI提供相同的实事，它就会做出相同的反应。但这项新研究提出了一个棘手的问题：事实的“格式”重要吗？如果你告诉AI“人群有60%在左侧”，与告诉它“这里有一组加起来等于60%的24个数字”，AI的大脑处理方式会有所不同吗？答案可能会改变我们构建从交通系统到金融市场等一切事物的逻辑，因为如果“翻译”改变了结果，那么我们与AI沟通的方式就与我们对它说的话同样重要。

伟大的AI舞会

研究人员搭建了一个巨大的数字舞池，其中有17个AI智能体。每个智能体都是一个“相位振子”（phase oscillator），这是一个高级术语，指代正在绕圈旋转的舞者。他们的目标不是为了赢得奖品，而仅仅是根据观察到的邻居状态，决定是旋转加快（前进）、旋转减慢（滞后）还是保持不动（停留）。运行这个舞池的计算机引擎对每个人都是完全公平且一致的。唯一改变的是“观测图谱”（observation map）——即向AI描述其邻居位置的具体方式。

团队测试了三种描述同一个舞池的方法：

1. “矩时刻”（Moments）图谱： 这就像是给AI一个高层级的总结，一种“氛围感检查”（vibe check），将整个人群的运动压缩为三个描述整体方向和聚集紧密程度的数字。
2. “中心点”（Centers）图谱： 这是一个详细的列表，包含24个“桶”，告诉AI在圆环的每个切片中分别有多少个舞者，并以该切片的中心点进行标注。
3. “区间”（Intervals）图谱： 这是同样的24个“桶”的详细列表，但标签是基于切片的边缘而非中心点。

这里的转折在于：“中心点”图谱和“区间”图谱包含了完全相同的信息量（同样的24个数字），只是书写方式不同。“矩时刻”图谱包含的原始数据较少，但是一种不同的总结形式。

结果：呈现方式决定一切

当研究人员使用 GPT（一种特定的AI模型）运行实验时，结果令人震惊。当AI看到“矩时刻”总结时，整个17人的舞者群体100%地实现了完美的同步（6次尝试中的6次）。但当他们看到“中心点”或“区间”列表时，该群体却从未实现同步（6次尝试中为0次）。AI智能体的表现仿佛置身于一个完全不同的世界，尽管物理上的舞池是完全一样的。

为了确保这不仅仅是偶然现象，他们用 Claude 和 Gemini（另外两个AI模型）进行了同样的测试。结果更加令人惊讶。在 Claude 中，“矩时刻”总结导致群体未能实现同步，而详细的“中心点”和“区间”列表反而让它们完美地同步在一起。这些AI模型不仅反应不同，而且反应的方向完全相反。这证明了“观测图谱”不仅仅是一个中立的现实窗口。它是AI大脑的一部分。改变你描述世界的方式，就会改变AI的行为；即使这种效应存在于一个AI的行为会改变其所见世界的反馈循环中，这种效应依然存在。

微观之谜

为了理解为什么会发生这种情况，研究人员观察了AI的“微观反应”——即当AI看到一个单一、冻结的舞池快照时所做的决定。他们发现，AI的决策“算子”（即它选择前进、停留或滞后的内部规则）会根据编码方式发生剧烈变化。

例如，当看到特定的舞者模式时，“矩时刻”AI可能几乎总是选择“前进”，而“中心点”AI可能大多选择“停留”。即使研究人员使用了完全相同的数字，只是重新排列了顺序，这种情况依然发生。他们甚至测试了是否仅仅是文本长度或数字位置的问题。他们发现，添加“任务无关”的文本（不改变数字的废话）对AI行为的影响，与改变数据格式本身的影响一样大。

“代理”测试：我们可以伪造它吗？

最后，团队提出了一个实际问题：我们能否训练一个简单的、低成本的计算机程序（“代理模型”，surrogate）来预测昂贵的AI会做什么，从而不必每次都运行真实的AI？他们为三种图谱都尝试构建了这些代理模型。

对于“矩时刻”图谱，代理模型可以被训练得很好，能够较好地预测AI的行为，但前提是研究人员必须修复一个特定的错误（即AI本应“停留”但代理模型预测其会“行动”）。然而，针对“中心点”和“区间”图谱的代理模型则完全失败了。尽管它们在训练数据上可以预测AI的行为，但它们无法处理AI在实际跳舞过程中产生的复杂新模式。研究人员发现，对于这些图谱，AI的行为过于不稳定，无法被简单的模型预测，这表明信息的序列化（书写）方式产生了一种简单的数学无法捕捉的混沌效应。

总结

这项研究的主要发现是：对于AI智能体而言，你如何描述世界，本身就是世界规则的一部分。 不存在所谓的“中立”接口。如果你改变了数据的格式，你就会改变集体的结果，并且这种改变完全取决于你使用的是哪种AI模型。适用于GPT的做法可能在Claude身上失效，而有助于一组智能体同步的做法可能会破坏另一组。

这不仅仅是一个理论上的好奇心。这意味着当我们构建由多个AI智能体组成的系统时，我们不能仅仅假设“更多的数据”或“更好的数据”就是解决方案。我们必须对“观测图谱”——即如何将现实转化为文本给AI的过程——保持极高的警惕。因为正如这项研究所示，翻译不仅仅是一面镜子；它是一面会扭曲它本应展示的现实的透镜。