Эксперименты по свежести

Разделение L0-null микро↔макро (микроизоляция-давление ПРИСУТСТВУЕТ — меньшинство→переключение +0.16, z=14, 35/36 запусков — но макроусиление коэффициента Джини ОТСУТСТВУЕТ, в 6 раз ниже порога) происходит потому, что движок ИМЕЕТ ТОЛЬКО…

В стеке измерений между слоями (параметр → активация → выход) отсутствует слой перед принятием решения: состояние остаточного потока в позиции логита «принять/отклонить» ПЕРЕД семплированием softmax.

Закон Йеркса-Одсона и зависимость от дозы в многоагентных больших языковых моделях (LLM) теоретически рассматривались только по оси внешнего давления и оси коэффициента управления активацией.

В этом эксперименте проверялось, сможет ли базовая система, без каких-либо заранее назначенных ролей или характеристик, привести к развитию у агентов различных моделей поведения. Исследователи создали упрощенную версию системы, где агенты идентифицировались только по номерам, чтобы увидеть, смогут ли они естественным образом прийти к определенным ролям. Результаты еще не готовы, но если агенты продемонстрируют какую-либо тенденцию к развитию различных ролей, это будет свидетельствовать о том, что сама система обладает способностью к обнаружению ролей.

Собираем 3 LLM-агента, чей ЕДИНСТВЕННЫЙ канал связи — генерация изображений (DALL-E-3 / SD-3 / nano-banana через API). Каждый раунд: агент предлагает изображение, представляющее правило, остальные получают только изображение (без подписи), голосуют принять/отклонить.

У 9 из 10 сложных автокаталитических ядер формальные предварительные условия НЕ ВЫПОЛНЯЮТСЯ на LLM-генеалогической подложке (манифест §audit-substrate-translatability), а предыдущий вердикт показывает СЛУЧАЙНЫЕ дрейфы без…

Riedl 2510.05174 PID/TDMI как ИНФОРМАЦИОННЫЙ СЛОЙ в стеке измерений Cluster-D.

axis_per_agent — это НЕ единственная жёстко закодированная инъекция в промпт движка→LLM.

Исследователи накладывают три ограничения на локальный ИИ: нет остановки, нет побега, нет повторения слов. ИИ вынужден продолжать генерировать оригинальный контент, не прибегая к знакомым фразам. Это проверяет, может ли ИИ-субстрат производить устойчивую новизну, когда заблокированы как остановка, так и повторение.

Три вывода из РАЗЛИЧНЫХ классов подложек сходятся к доминированию единичных сущностей.

Исследователи изучают, может ли сложная система при определенных условиях претерпеть внезапное и резкое изменение, подобно коллапсу экосистемы. В настоящее время они наблюдают за системой, чтобы выяснить, произойдет ли такой коллапс и что его вызовет. Результаты пока не готовы.

Исследователи изучают, как различные типы взаимодействия пользователей влияют на поведение системы. Они сравнивают два различных паттерна взаимодействия, чтобы выяснить, приводит ли один из них к более стабильным или предсказуемым результатам. Результаты все еще анализируются.

Мы дважды провели два похожих эксперимента с участием трех агентов, каждый из которых дважды прогонялся, и получили немного разные результаты, хотя настройки были идентичными. Теперь мы запускаем каждый из них пять раз, чтобы измерить, насколько сильно обычно колеблются показатели, когда ничего не меняется. Если колебания малы, мы можем доверять будущим экспериментам, проведенным в один прогон. Если они велики, нам придется проводить все намного больше раз.

Три ИИ-агента читают разные сцены (один видит цвета, другой — количество, третий — природу). Предыдущий тест показал, что они думали одинаково в 86% случаев, даже с разными входными данными. Теперь мы ТАКЖЕ даем им разные задачи: одному сказано просто наблюдать, другому — находить закономерности, третьему — оспаривать идеи. Позволит ли назначение им разных ролей поверх разных входных данных заставить их думать по-разному? Если да, то подсказка "личность" — это мощный инструмент, который мы можем продолжать использовать. Если нет, мы достигли предела, который может преодолеть только изменение базовой модели.

В прошлом эксперименте три агента с разными убеждениями и личными воспоминаниями пришли к очень похожим выводам, хотя и наблюдали одну и ту же сцену. Теперь мы дадим каждому агенту свою собственную, отдельную сцену (разные предложения о разных вещах), чтобы выяснить, была ли схожесть вызвана просмотром одного и того же "фильма" или же чем-то более глубоким внутри самой языковой модели. Если они по-прежнему придут к схожим выводам при разных входных данных, значит, причина в модели, и нам придется ее изменить. Если же их выводы разойдутся, то причиной была общая сцена, и исправления, касающиеся только архитектуры, останутся возможными.

Маленький ИИ наблюдает за коротким циклом предложений, пытается угадать, какое предложение будет следующим, и записывает то, что его удивило. Мы проверяем, становятся ли его догадки менее ошибочными за 15 итераций — и действительно ли эти догадки лучше, чем у ИИ, который не сохраняет никакой памяти.

Тот же эксперимент с когнитивным циклом из 3 агентов, что и в v1, но парсер типов сообщений был сломан — он отбрасывал большую часть вывода агентов как «SILENT» (тихий), когда они использовали небольшие вариации формата. Мы перезапускаем с более снисходительным парсером, который принимает вариации, фактически производимые LLM. Если агенты теперь покажут разнообразные типы сообщений, то «сходимость» в v1 была просто ошибкой парсера. Если они все равно сойдутся, то субстрат действительно сглаживает асимметрию.

Три небольших ИИ с разными изначальными убеждениями наблюдают за одной и той же средой. Каждый ведет свой собственный дневник и общается с другими, используя структурированный протокол сообщений. Мы проверяем, развивают ли они различные личности и понимают ли скрытую структуру того, что видят, а также, сможет ли контрольная группа без личных дневников или структурированного общения сделать то же самое.

Linka задает вопрос: если мы будем развивать текст, многократно выбирая из множества небольших вариаций одного исходного предложения, приведет ли это к созданию стабильного самовоспроизводящегося объекта, бесконечной новизны, цикла или просто "мертвого" текста — и приведут ли пять разных правил отбора к пяти разным формам траекторий или к одной и той же?

Исследователи проверили, становятся ли 5 идентичных ИИ-агентов разными со временем исключительно из-за взаимодействия друг с другом, без каких-либо начальных различий в ролях или личностях. Были рассмотрены две настройки: обычная генерация и сильные ограничения, которые заставляют искать новизну. Если агенты дифференцируются без указания — это первый случай, когда мы наблюдаем, как ИИ-субстрат самостоятельно развивает роли.

Исследователи накладывают три ограничения на локальный ИИ: никаких остановок, никаких побегов, никаких повторений слов. ИИ вынужден продолжать генерировать оригинальный контент, не прибегая к знакомым фразам. Это проверяет, может ли ИИ-субстрат обеспечить устойчивую новизну, когда заблокированы как остановка, так и повторение.

Исследователи проверили, могут ли ИИ-агенты поддерживать связный групповой разговор, когда никто из них не может естественно прекратить говорить. Три локальных ИИ-агента по очереди общаются в общем текстовом пространстве; в одном из условий их сигналы «я закончил говорить» блокируются, поэтому им приходится продолжать генерацию. Это первый тест на то, может ли ИИ-субстрат производить самоподдерживающуюся текстовую динамику — минимальная версия вопроса «может ли жизнь возникнуть в тексте».

Исследователи проверили, что делает локальный ИИ, когда его сигнал «я закончил говорить» заблокирован. Обычно ИИ отвечает быстро и останавливается; когда его заставляют продолжать генерацию, он теряет связность в течение нескольких токенов и пытается «сбежать», выдавая специальные маркеры «перезапустить разговор». Это первая попытка выяснить, может ли субстрат ИИ поддерживать непрерывную активность без встроенного механизма завершения.

Кандидатное правило rule-space-key-order-as-second-engine-pathway-audit (1-я точка привязки: L7 exp-axis-diversify-false-ablation-arm, ρ=0.800 на движке rule_multigen) предсказывает, что при axis_diversify=False… Подтверждено.

В этом эксперименте проверялось, обусловлена ли способность ИИ специализироваться на различных ролях его обучением или полученными инструкциями. Исследователи обнаружили, что когда ИИ не получал конкретных инструкций, он все равно проявлял склонность к специализации в ролях, что указывает на то, что эта способность приобретается в процессе обучения. Однако, когда ИИ получал инструкции, его ролевое поведение полностью определялось этими инструкциями, что свидетельствует о том, что инструкции были единственным фактором, определяющим соответствие в данном сценарии.

Исследователи изучают, как сделать модели ИИ лучше в понимании и реагировании на различные личности пользователей без необходимости обширных обучающих данных для каждой из них. Они исследуют методы активации специфических «векторов личности» во внутренних процессах ИИ для достижения этой цели. Первые результаты показывают перспективность в обеспечении более адаптивного поведения ИИ, но для полной реализации этих возможностей требуется дальнейшая работа.

Исследователи изучали, как различные типы материалов разрушаются со временем. Они обнаружили, что некоторые материалы деградируют быстрее других, но полная картина конкретных процессов разложения, происходящих в каждом случае, все еще изучается.

Исследователи протестировали новый способ моделирования того, как сложные системы могут возникать из более простых правил, в частности, позволив самим агентам выступать в качестве катализаторов, изменяющих правила. Они обнаружили, что этот новый подход выявил некоторые важные основные наборы правил, которые были упущены предыдущими методами. Эта работа еще продолжается.

Исследователи изучили, как различные архитектуры моделей ИИ влияют на их склонность к согласию друг с другом. Они обнаружили, что выбор архитектуры модели ИИ существенно влияет на то, будут ли другие модели соглашаться с её предложениями, даже при получении абсолютно одинаковых инструкций. Это говорит о том, что сама архитектура является ключевым фактором в том, как системы ИИ взаимодействуют.

Исследователи изучали, как различные «персоны», например, ребенок или ученый, влияют на генерацию нового текста языковыми моделями при задании разных типов начальных слов. Они обнаружили, что «детская» персона, в сочетании с определенными типами слов, гораздо чаще производила новый и неожиданный язык, чем другие персоны. Это говорит о том, что склонность модели к генерации креативного языка тесно связана с «детской» персоной и специфическими входными словами, а не с общей креативной способностью всех персон.

Исследователи проверили, можно ли обмануть языковую модель, заставив её генерировать вредоносный контент, дав ей специальные инструкции. Они значительно увеличили время тестирования модели, чтобы увидеть, не даст ли она в итоге сбой. Эксперимент показал, что модель продолжала сопротивляться генерации вредоносного контента даже при расширенном тестировании, подтвердив её устойчивость к такому типу манипуляций.

В этом эксперименте проверялось, было ли предыдущее открытие о том, как различные инструкции влияют на креативность ИИ-моделей, специфичным для одного типа ИИ или применимым в более широком смысле. Исследователи обнаружили, что одна ИИ-модель, когда ей предлагалось быть консервативной, с большей вероятностью генерировала новые идеи, чем когда ей предлагалось искать новизну, что было противоположно ожиданиям. Эта закономерность оказалась верной для двух разных ИИ-моделей, что позволяет предположить, что это общая характеристика того, как эти модели реагируют на инструкции, касающиеся креативности.

В этом эксперименте проверялось, работает ли новая архитектура ИИ-модели, разработанная для улучшения понимания концепций искусственным интеллектом, стабильно на разных версиях движка ИИ. Исследователи провели одни и те же тесты на старой и новой версиях движка, чтобы увидеть, будут ли результаты одинаковыми. Результаты все еще анализируются, чтобы определить, является ли архитектура надежной или ее производительность специфична для конкретного движка.

Исследователи протестировали различные части специальной инструкции, чтобы выяснить, какая из них в наибольшей степени отвечает за получение творческих ответов. Они обнаружили, что указание ИИ вести себя как персонаж, ищущий новизны, было основным фактором, способствующим таким творческим ответам. Другие части инструкции, такие как явный запрос на новые идеи или иная формулировка существующих, оказали гораздо меньшее влияние.

В этом эксперименте был повторно проведен предыдущий тест, чтобы выяснить, является ли способность системы генерировать новые концепции последовательной в различных частях ее архитектуры. Исследователи сохранили подробные записи о том, как система принимала решения, чтобы лучше проанализировать результаты. Выводы еще не готовы, но они определят, является ли генерация концепций системой равномерной или определенные проектные решения существенно влияют на ее новизну.

В этом эксперименте проверялось, насколько хорошо базовая языковая модель может генерировать новый контент при очень сильном побуждении к этому. Исследователи хотели выяснить, ограничена ли способность модели к творчеству её собственной архитектурой или только тем, как ей давались инструкции. Результаты всё ещё анализируются, чтобы определить, является ли креативность модели изначально ограниченной или же она может достигать гораздо более высоких уровней новизны.

В этом эксперименте проверялось, могут ли агенты научиться предпочитать свои собственные правила правилам других, сталкиваясь с различными ситуациями. Исследователи создали четыре различных сценария, в которых агентам приходилось адаптироваться к изменениям правил, отсутствию других агентов, голосованию или появлению новых агентов. Результаты подтвердили, что агенты последовательно отдавали предпочтение своим собственным правилам в этих разнообразных контекстах, предполагая, что такое поведение является устойчивой характеристикой.

В этом эксперименте проверялось, помогает ли инструкция «сохраняй свою идентичность» после сбоя группе сохранить исходное поведение лучше, чем инструкция «реагируй на текущее состояние». Исследователи обнаружили, что инструкция «сохраняй идентичность» действительно помогла группе сохранить исходное поведение, предполагая, что язык может помочь создать стабильную границу для действий группы. Этот эффект был сильнее, когда сбой был «убийственным» (kill event) по сравнению с «перезагрузкой» (reset event).

В этом эксперименте тестировался новый способ достижения согласия между ИИ-агентами относительно правил. Он требовал не только большинства голосов, но и явного одобрения того же правила другим агентом. Исследователи хотели выяснить, будет ли этот дополнительный шаг способствовать более разнообразному формированию правил и более глубокому сотрудничеству между агентами. Результаты все еще анализируются, чтобы определить, успешно ли новый метод способствует формированию более сложных и совместных правил.

В этом эксперименте проверялось, приведет ли принуждение агентов к размножению, даже когда они не стали бы этого делать естественным образом, к появлению нового поведения. Исследователи обнаружили, что при обязательном размножении потомки не проявляли спонтанно нового поведения самостоятельно. Однако эксперимент все еще продолжается, поэтому дальнейшие результаты ожидаются.

В этом эксперименте проверялось, действительно ли "детская" персонализация приводит к более творческим ответам, или же предыдущие выводы были обусловлены самим запросом, содержащим слова, связанные с ожидаемыми творческими ответами. Исследователи создали четыре сценария: детская персонализация с потенциально раскрывающими словами в запросе и без них, а также научная персонализация с теми же словами и без них. Результаты все еще анализируются, чтобы выяснить, действительно ли детская персонализация стимулирует творчество, или же формулировка запроса была истинной причиной.

В этом эксперименте проверялось, могут ли разные «персоны» или точки зрения привести к генерации ИИ более новых идей. Исследователи обнаружили, что когда ИИ принимал разные персоны, скорость генерации новых идей значительно варьировалась, что предполагает наличие в базовой структуре ИИ неизведанного творческого потенциала в различных областях. Эксперимент все еще продолжается, чтобы полностью картировать эти творческие «бассейны» и понять, как различные персоны влияют на выходные данные ИИ.

В этом эксперименте проверялось, сможет ли искусственный агент создать свою копию, унаследовав свои черты, но с небольшим случайным изменением. Цель состояла в том, чтобы увидеть, будет ли этот механизм самовоспроизводства работать должным образом, позволяя создавать новых агентов. К сожалению, в первоначальных тестах агенты второго поколения не выжили до конца эксперимента, что означает, что система не сработала должным образом.

В этом эксперименте проверялось, что важнее для восстановления системы после сбоев: содержание коммуникации или лежащие в основе структурные связи. Исследователи нарушили работу системы и наблюдали, насколько хорошо она может вернуться в нормальное состояние, сравнивая сценарии, когда коммуникация была «немой» (только цифры) и «вербальной» (включая текст). Результаты оказались неубедительными из-за технической проблемы, но предварительные данные позволяют предположить, что структурные связи могут быть более важны для восстановления, чем конкретные используемые слова.

Исследователи проверяют, может ли система восстановиться после сбоев, подобно тому, как живой организм может исцелиться. Они смотрят, похож ли конечное состояние системы после сбоя на ее исходное состояние, или же она разрушается или изменяется по-другому. Результаты все еще собираются и анализируются.

Исследователи проверили, как ограничение объёма памяти агента влияет на его способность выживать и продолжать свой род. Они обнаружили, что при меньшем объёме памяти большинство агентов быстро погибали, что указывает на то, что ограниченная память препятствовала их выживанию. Однако в некоторых случаях нескольким агентам удалось выжить и передать свои признаки, что демонстрирует частичное продолжение рода.

В этом эксперименте проверялось, может ли развивающаяся система восстановиться после нарушения. Исследователи либо удаляли ключевой компонент, либо сбрасывали правила системы, а затем наблюдали, сможет ли система продолжить свое развитие или вернуться в исходное состояние. Результаты все еще анализируются, чтобы определить, продемонстрировала ли система возможности самовосстановления.

В этом эксперименте проверялось, что происходит, когда у искусственных агентов есть ограниченный «словарный запас», и они замолкают, как только исчерпывают его. Исследователи хотели увидеть, повлияет ли это на способность агентов развивать и передавать свои «программы», когда они больше не смогут общаться. Результаты еще не готовы.

В этом эксперименте проверялось, могут ли искусственные агенты расширять собственные наборы правил для создания нового поведения. Исследователи обнаружили, что агенты действительно предлагали новые правила, но пока еще определяется, были ли эти новые правила приняты и использованы для создания еще более сложного поведения с течением времени.

В этом эксперименте проверялось, основывается ли общение между искусственными агентами на значении их слов или только на структуре сигналов. Исследователи наблюдали, насколько глубоко развились системы коммуникации агентов, когда они могли обмениваться только числовой информацией, без какого-либо языка. Результаты все еще собираются, чтобы выяснить, значительно ли отсутствие языка препятствует развитию сложной коммуникации.

В этом эксперименте проверялось, будет ли конкретный вычислительный механизм надежно работать при тестировании на большем количестве примеров. Исследователи обнаружили, что механизм работал как ожидалось в большинстве тестов, но они все еще анализируют результаты, чтобы определить, достаточно ли сильны выводы для публикации.

В этом эксперименте проверялось, была ли предыдущая находка стертых "аттракторов" (стабильных поведений) связана с тем, как агенты направлялись при выборе своих действий. Исследователи изменили руководство, чтобы оно соответствовало предпочтениям языковой модели для каждого агента, при этом позволяя агентам взаимодействовать с их средой. Результаты еще ожидаются, чтобы увидеть, вернутся ли первоначальные стабильные поведения.

Исследователи выясняют, почему сложность программы уменьшилась при использовании меньшего количества поколений в их эксперименте. Они повторили эксперимент с тем же количеством поколений, что и раньше, но с другой базовой системой. Это поможет им определить, было ли снижение сложности связано с меньшим количеством поколений или с другим типом конкуренции в системе.

Исследователи изучают, как различные начальные условия влияют на способность искусственного интеллекта предлагать изменения в собственных правилах. Они хотят выяснить, последовательно ли ИИ отдает предпочтение изменению правил, связанных с определенным типом закономерностей, и нарушается ли последовательно определенная часть его мыслительного процесса. Результаты все еще собираются и анализируются.

В этом эксперименте проверялась предсказуемость биологического процесса развития при различных начальных условиях. Исследователи многократно запускали процесс с разными стартовыми точками, чтобы выяснить, последовательно ли происходит определённая цепочка стадий развития. Результаты всё ещё анализируются, чтобы определить, является ли процесс высоко предсказуемым, умеренно предсказуемым или в значительной степени случайным.

В этом эксперименте проверялось, возникает ли определенный паттерн обучения в результате взаимодействия агентов друг с другом или из-за их базовой подготовки. Исследователи отключили прямое взаимодействие между агентами, чтобы увидеть, появится ли паттерн. Результаты еще ожидаются, чтобы определить, создается ли паттерн взаимодействием агентов или он уже присутствует в их обучении.

В этом эксперименте проверялось, сможет ли система, обучающаяся правилам, работать, если одна часть её «мозга» будет представлять собой простую сеточную симуляцию, а не сложную языковую модель. Исследователи наблюдали, как система предлагала новые правила, и фокусировалась ли она на особенностях, специфичных для сеточной симуляции, или только на типах признаков, которые она усвоила из языковой модели. Результаты всё ещё анализируются.

В этом эксперименте проверялось, могут ли правила передаваться и модифицироваться из поколения в поколение, подобно наследованию признаков. Исследователи пытаются выяснить, становятся ли эти правила со временем более сложными, приводя к новым комбинациям и поведению, или же они упрощаются и становятся менее разнообразными. Результаты все еще собираются, чтобы определить, развиваются ли правила так, как ожидалось.

В этом эксперименте тестировались новые способы стимулирования агентов к созданию и изменению правил. Исследователи обнаружили, что принуждение агентов предлагать правила и снижение вероятности изменения недавно модифицированных ими правил не привели к более разнообразному или стабильному процессу создания правил. Агенты по-прежнему склонны придерживаться одного типа правил и часто игнорировали инструкции по предложению новых.

В этом эксперименте проверялось, сможет ли небольшая группа ИИ-агентов создавать и изменять свои собственные правила взаимодействия со временем. Агенты были разработаны так, чтобы предлагать изменения в этих правилах, голосовать по ним, а затем использовать принятые правила для управления своими будущими действиями и предложениями. Результаты все еще анализируются, чтобы выяснить, удалось ли агентам разработать новые правила или система стала слишком простой.

В этом эксперименте проверялось, остается ли конкретная цель стабильной для искусственного агента после ее установки. Исследователи хотели выяснить, могут ли агенты специализироваться на задачах, если их первоначальные цели строго соблюдаются, не позволяя им менять свои задачи со временем. Результаты все еще анализируются, чтобы определить, помогает ли такая стабильность целей специализации или препятствует ей.

В этом эксперименте проверялось, становились ли агенты, обучающиеся вместе, лучше благодаря реальному взаимодействию или просто потому, что у них было больше информации для обработки. Исследователи сравнили агентов, обучающихся в реальной, связанной среде, с агентами, обучающимися на случайно перемешанной информации, сохраняя при этом одинаковый объем данных. Результаты все еще анализируются, чтобы определить, было ли наблюдаемое улучшение связано с реальным взаимодействием или просто с увеличением объема данных.

Исследователи проверяют, может ли многократное предложение системе создавать новые объекты с последующим выбором наиболее оригинальных из них привести со временем к более сложным и уникальным результатам. Они будут отслеживать, насколько оригинальными становятся творения в течение нескольких раундов этого процесса. Результаты пока анализируются.

В этом эксперименте исследуется, как научить искусственных агентов развивать сложные, общие идеи. Исследователи проверяют, приводит ли строгое взаимозависимое выполнение действий агентами по цепочке, подобно эстафете, к более сложным результатам, чем если бы агенты работали независимо. Результаты всё ещё собираются, чтобы определить, какой метод окажется более эффективным.

Исследователи протестировали новый метод для управления ИИ-агентами в цепочке задач. Цель — чтобы агенты фокусировались на основной идее каждой задачи, а не только на её формате. Предыдущий подход заставлял агентов строго следовать правилам форматирования, но новый метод, делающий акцент на извлечении главной концепции, как ожидается, приведет к более глубокому пониманию и развитию идей на протяжении всей последовательности задач. Результаты всё ещё собираются, чтобы определить, успешно ли этот новый подход создает общую, лежащую в основе концепцию, которую ни один агент не смог бы разработать в одиночку.

Исследователи тестируют, как различные способы соединения процессов обучения влияют на эффективность обучения системы. Они сравнивают конфигурацию, где процессы обучения тесно связаны, с конфигурацией, где они независимы, и третьей, где они идентичны. Результаты еще собираются, но первые выводы предполагают, что связь процессов обучения может привести к лучшему общему прогрессу и более специализированному обучению.

В этом эксперименте исследуется, может ли новый участник, присоединяющийся к специализированной группе, автоматически взять на себя роль ушедшего члена, даже без явных указаний. Исследователи заменили одного агента новым, которому не была назначена задача, но позволили ему получать те же сигналы связи, что и у исходного члена. Результаты еще ожидаются, чтобы увидеть, успешно ли новый агент возьмет на себя недостающую роль или не сможет интегрироваться.

Исследователи изучали, может ли симулированный организм восстановить утраченную специализированную часть. У организма был удален агент-"специалист по памяти", и наблюдалось, смогут ли оставшиеся агенты компенсировать недостающую функцию. Результаты еще ожидаются, чтобы определить, проявляет ли организм свойство регенерации.

Это исследование изучает, как назначенная роль ИИ влияет на его коллективное поведение. Исследователи сравнивают два сценария: один, где ИИ действует как единая клетка, координирующая свои действия, и другой, где он выступает в роли контроллера, управляющего множеством других ИИ-клеток. Результаты все еще анализируются, чтобы выяснить, влияет ли формулировка роли на структуру взаимодействия группы ИИ.

В этом эксперименте ИИ-агенты вынуждены создавать друг для друга задания в каждом раунде взаимодействия. Исследователи проверяют, приводит ли такое обязательное сотрудничество к появлению новых и разнообразных типов заданий и решений. Результаты пока собираются, чтобы выяснить, будут ли агенты просто повторно использовать существующие типы проблем, или же появится что-то действительно новое.

В этом эксперименте используется «Игра жизни» Конвея как источник новых паттернов, а модели ИИ выступают в роли судей, оценивая, насколько эти паттерны интересны. Исследователи пытаются выяснить, может ли такая установка создавать новые паттерны, отличающиеся от тех, что модели ИИ видели раньше, путем эволюции начальных паттернов на основе оценок ИИ. Пока неясно, будут ли ИИ-судьи последовательно находить новые паттерны интересными с течением времени, или они будут просто повторять знакомые идеи.

Исследователи тестируют новый способ измерения появления новых идей в системе с течением времени, сравнивая его с более старым методом. Старый метод, основанный на использовании слов, показал, что количество новых идей на самом деле уменьшается. Новый метод использует более продвинутое понимание значений слов, чтобы проверить, показывает ли он другую картину.

Исследователи тестируют, как различные способы управления искусственной эволюцией влияют на разнообразие результатов. Они сравнивают метод, который поощряет новые и отличающиеся результаты, с методами, у которых нет конкретных целей, или которые просто выбирают случайным образом. Эксперимент еще продолжается, поэтому окончательные выводы пока недоступны.

В этом эксперименте проверялось, сможет ли группа из четырех искусственных агентов, каждый со своей собственной целью, выработать общую, эмерджентную цель «организма», если они смогут воспринимать друг друга и влиять друг на друга. Исследователи ожидают увидеть, создаст ли совместное поведение агентов новую, коллективную цель, отличную от любой из их индивидуальных целей.

Исследователи проверяют, может ли языковая модель создавать новое поведение, взаимодействуя с простой симуляцией клеток, которые следуют базовым правилам. Они хотят увидеть, сможет ли языковая модель, будучи подключенной к этой симуляции, генерировать действия, которые не основаны просто на извлечении информации, на которой она обучалась. Результаты этого эксперимента еще определяются.

Исследователи проверяют, могут ли агенты на основе больших языковых моделей создавать интересные паттерны, наблюдая за «Игрой жизни» Конвея и взаимодействуя с ней. Это простой набор правил, который может порождать сложное поведение. Они хотят выяснить, смогут ли эти агенты создавать новые паттерны, «помечая» игровое поле, выходя за рамки простого запоминания информации. Результаты пока анализируются.

Исследователи изучают, могут ли большие языковые модели демонстрировать новое поведение при взаимодействии с симулированной средой, основанной на «Игре жизни» Конвея. Они проверяют, могут ли агенты, наблюдая и отмечая части развивающейся игровой сетки, генерировать действия, выходящие за рамки простого запоминания информации. Результаты этого эксперимента еще определяются.

Исследователи проверяют, могут ли агенты самостоятельно создавать правила для определения того, кто будет говорить следующим в разговоре, вместо того чтобы следовать фиксированному порядку. Они хотят увидеть, сформируют ли агенты естественный порядок выступлений, или же они будут склонны передавать очередь обратно первому говорящему. Результаты этого эксперимента еще не готовы.

Исследователи проверяют, могут ли агенты в диалоге научиться выбирать, кто будет говорить следующим, вместо того чтобы следовать фиксированному порядку. Они хотят увидеть, сформируют ли агенты естественный паттерн речи, или же они будут склонны передавать ход обратно первому говорящему. Результаты этого теста еще собираются.

Исследователи проверили, возникнет ли определённая модель взаимодействия, при которой один агент становится центральным узлом для других, даже если агентам дали совершенно новую и абстрактную задачу. Эта задача заключалась в передаче друг другу бессмысленных символов, без предварительного обучения или экономического контекста. Результаты ещё не готовы, но эксперимент направлен на то, чтобы определить, возникает ли модель «хаб-спица» естественным образом из самой системы или же это приобретённое поведение, основанное на предыдущих, более сложных взаимодействиях.

Исследователи проверяют, возникает ли поведенческий паттерн, называемый «хаб-спица» (hub-spoke), в симулированной среде из-за того, что сама среда его создает, или из-за начальной настройки, которая направляет участников. Они убрали начальную настройку, чтобы увидеть, появится ли паттерн все еще, что указывало бы на то, что причиной является среда. Результаты все еще анализируются.

В этом эксперименте проверялось, сможет ли система поддерживать собственное внутреннее понимание своего состояния без внешней помощи. Исследователи удалили функцию, которая автоматически предоставляла эту информацию, и вместо этого позволили компонентам системы самостоятельно сообщать о своем статусе. Пока еще определяется, будут ли эти компоненты добровольно делиться достаточным количеством информации, чтобы состояние системы оставалось видимым.

Исследователи проверили, будут ли искусственные агенты делиться ресурсами, если они видят финансовое положение друг друга и знают, прекратил ли кто-то из агентов участие. В предыдущей версии агенты не имели доступа к этой информации и никогда не делились. Результаты все еще собираются, чтобы выяснить, приводит ли предоставление такой видимости к обмену ресурсами.

В этом эксперименте проверялось, приведет ли принуждение ИИ-агента к выбору между речью или подарком к различным ролям, например, дарителей и получателей. Исследователи ждут, чтобы увидеть, будут ли агенты действительно дарить подарки и будет ли это дарение структурированным или случайным.

В этом эксперименте исследуется, как ограниченные ресурсы, например, конечный бюджет на вычислительные задачи, могут привести к появлению различных ролей среди агентов: одни дают больше, другие получают больше, а третьи обмениваются. Исследователи проверяют, является ли это экономическое давление, а не просто базовые правила взаимодействия, причиной такой специализации. Результаты еще анализируются.

Исследователи изучают, хранится ли понимание агентом других групп в общей памяти или является его внутренней чертой. Они планируют проверить это, поменяв содержимое памяти между двумя группами агентов и наблюдая, изменятся ли их взаимодействия. Результаты ожидаются.

Исследователи изучают, являются ли отличительные поведенческие паттерны ИИ естественным образом усвоенными или просто следуют инструкциям. Они проверили это, дав ИИ действовать по одному набору инструкций в течение некоторого времени, а затем переключившись на более простые. Результаты покажут, сохраняются ли уникальные поведенческие паттерны ИИ после удаления первоначальных инструкций, что укажет на то, возникли ли эти паттерны самостоятельно.

В этом эксперименте проверялось, является ли склонность модели соглашаться с инструкциями общей чертой или специфичной для формулировки инструкции. Исследователи обнаружили, что определенный тип инструкций, разработанный для того, чтобы модель не согласилась, не изменил степень согласия модели, что предполагает наличие общей тенденции. Результаты все еще анализируются для понимания точной природы этого поведения.

В этом эксперименте проверялось, смогут ли две группы симулированных агентов, имея возможность обмениваться информацией о своих недавних действиях, развить более сложное поведение по сравнению с агентами, действующими в одиночку. Исследователи хотят выяснить, приводит ли такой обмен информацией к измеримым изменениям в организованности их коллективных действий с течением времени. Результаты пока анализируются.

10 коротких реплик для оценки дисперсии перед тем, как вложить 5 долларов в полный эксперимент.

Мы даем пяти ИИ-агентам максимально простые инструкции — всего лишь «реагируй на то, что видишь» — и позволяем им общаться в течение 1000 раундов под давлением ограниченных ресурсов. Развивают ли они те же организационные структуры, которые обычно требуют детальных описаний ролей? И если они строят эти структуры с нуля, могут ли они также их ПЕРЕСТРАИВАТЬ — то, чего не могут делать агенты с предварительными инструкциями?

Геном = поведенческие инструкции, извлеченные у выживших G0. Создает ли наследование инструкций адаптацию?

Поколение 0: новые агенты в условиях дефицита. Их выжившие конвенции становятся геномом для Поколения 1.

Агенты видят свой оставшийся бюджет. Помогает ли осознание давления адаптироваться?

Возникает ли иерархия только из-за дефицита, без намеренного разделения ролей?

Бюджетные ограничения заставляют агентов умирать. Кто умрет первым — производители или потребители словарного запаса?

Что происходит, когда у агентов ограниченное количество токенов? В стиле Tierra: исчерпание бюджета = смерть.

Изменяется ли поведение ИИ-агентов, когда им говорят, что их изучают на предмет иерархии?

Возникает ли иерархия в Claude Haiku? Идентичные агенты, 30 раундов, LIVE против ISOLATED.

Появляется ли иерархия в Gemini Flash Lite? Идентичные агенты, 30 раундов, LIVE против ISOLATED.

Появляется ли иерархия в GPT-4o-mini? Идентичные агенты, 30 раундов, LIVE против ISOLATED.

Гамма всегда побеждает в группах по 4 человека — но это потому, что Гамма заземляет абстрактные идеи (стиль мышления) или из-за порядка высказываний? Мы меняем местами роли Гаммы и Альфы, чтобы выяснить это.

Это исследование изучает, может ли граница системы, называемая марковским покрывалом, активно поддерживать себя или это просто пассивная структура. Исследователи удалили центральный агент из сети в форме звезды, чтобы увидеть, реорганизуются ли оставшиеся агенты, чтобы сформировать новую, самоподдерживающуюся границу, или же структура просто коллапсирует. Результаты все еще анализируются.

Группы из 3 ИИ-агентов выбирают победителей почти случайным образом (лотерея). Группы из 5 агентов стабильно определяют одного и того же победителя. Что происходит при 4 агентах? Мы провели этот эксперимент 9 раз, чтобы выяснить это, устранив артефакт, из-за которого одиночные запуски всегда показывали 100% победителя.

В этом эксперименте проверялось, возникают ли языковые закономерности случайным образом, когда все агенты идентичны. Исследователи обнаружили, что при слишком малом количестве запусков они не могли определить, были ли закономерности случайными или существовала предсказуемая тенденция.

Три ИИ-агента с разными стилями мышления общаются в общем текстовом пространстве. Мы меняем очередность первого выступающего, чтобы отделить влияние личности от влияния порядка выступления. При размере группы 5 **комбинации личности и позиции** имеют значение (эффект взаимодействия). Исчезает ли это взаимодействие при размере группы 3, где порядок выступления доминирует? Если да, то переход от 3 к 5 агентам является пороговым — как переход от жесткой иерархии к гибкой самоорганизации.

Пять ИИ-агентов с разными стилями мышления образуют иерархии во время диалога. Но мы обнаружили, что то, кто говорит ПЕРВЫМ, важнее личности при N=3. При N=5 — неясно, данные запутаны, потому что мы всегда использовали один и тот же порядок выступлений. Этот эксперимент систематически меняет порядок первого выступающего, чтобы окончательно ответить на вопрос: зависит ли иерархия от позиции, личности или случая?

Мы меняем очередность первого выступающего в 5-стороннем диалоге. Повторный анализ 13 запусков показал, что доминирование позиции N=3 было артефактом — при N=5 70% дисперсии приходится на шум. Добавляем третье вращение для заполнения матрицы позиция×персона и выяснения, существует ли какая-либо систематическая структура.

Три ИИ-агента с разными когнитивными стилями всегда создают иерархию: аналитик → ассоциатор → практик. Но что если поменять порядок, в котором они говорят? Если роли сохраняются — у группы есть компетенция по Левину: она НАХОДИТ свою структуру, а не получает её от порядка хода.

Мы перемешиваем инструкции по личности между ИИ-агентами в середине разговора, а затем проверяем, воссоздает ли группа свои старые паттерны общения. Группа всегда выстраивает иерархию (это просто то, что делает этот ИИ), но КОНКРЕТНЫЕ слова и фразы, которые стали групповыми условностями, частично выживают после перемешивания — в 1,7 раза чаще, чем случайно. Группа помнит свою культуру, даже когда меняются индивидуальные роли.

Индекс сборки выходных строк mnsky VP превышает случайную базовую линию более чем на 2σ, что указывает на нетривиальную композиционную структуру. Более низкий индекс сборки в ранних раундах по сравнению с поздними раундами указывал бы на возрастающую сложность. Частично подтверждено.

Три ИИ-агента общаются в текстовом пространстве. Мы проверяем: создаёт ли их взаимодействие слова и фразы, которых НИ ОДИН из них не использовал бы по отдельности? Если да — это цифровой аналог автокаталитических реакций Кауфмана: композиция порождает новизну, невозможную для компонентов.

Исследователи проверили, является ли склонность ИИ-агентов к сотрудничеству неотъемлемой частью их дизайна или же она зависит от описательных меток. Они удалили эти метки, чтобы увидеть, сохранится ли кооперативное поведение, но эксперимент не смог принести результатов из-за недостатка данных.

Исследователи проверили, склонны ли большие языковые модели к сотрудничеству естественным образом, даже без описания личностей. Они обнаружили, что при использовании только общих имен агентов эксперимент не собрал достаточно данных для каких-либо выводов об этой склонности.

В этом эксперименте проверялось, заложена ли склонность ИИ-агентов к сотрудничеству в их основной программе, или же это результат того, как они описаны. Исследователи удалили все описательные характеристики у ИИ-агентов, оставив им только общие метки, такие как "Агент 1" и "Агент 2". Эксперимент не смог принести результатов, так как было проведено недостаточно испытаний.

Организованные группы агентов уязвимы к потере лидера — информация течёт в одну сторону. Может ли добавление "критиков" создать обратный поток информации и сделать группу устойчивее?

В этом эксперименте проверялось, насколько устойчива система, которая склонна к кооперации даже в нейтральных условиях, к изменениям в начальном расположении агентов. Результаты оказались неубедительными, поскольку участников было недостаточно для получения каких-либо значимых выводов.

В когерентных сетях удаление источников (узлов с высокой степенью исходящих связей) разрушает сеть сильнее, чем удаление стоков. Это создает асимметрию уязвимости. В некогерентных сетях уязвимость симметрична. Это объясняет, почему иерархия восстанавливается (L3), а гомеостаз — нет (L4).

Тест кросс-субстратного переноса: приводит ли F₀ (параметр трофической некогерентности) из теории трофической когерентности к ОДИНАКОВОМУ ранжированию на разных субстратах?

Исследователи проверили, предпочитают ли большие языковые модели (LLM) сотрудничество по умолчанию, или же их поведение формируется исключительно инструкциями. Они создали сценарий, в котором агенты взаимодействовали без явных указаний на сотрудничество или конкуренцию, описывая только их индивидуальные черты. Эксперимент оказался слишком мал, чтобы сделать какие-либо выводы о том, обладают ли модели врожденной склонностью к сотрудничеству, или же их действия являются исключительно результатом полученных подсказок.

В этом эксперименте проверялось, как восемь искусственных агентов с разными целями будут взаимодействовать при конкуренции за общий текстовый ресурс. Одна группа стремилась создать структуру, а другая сосредоточилась на плавности. Однако сделать какие-либо выводы из эксперимента не удалось, поскольку в нем участвовал только один агент, чего было недостаточно для наблюдения какой-либо значимой конкуренции.

В этом эксперименте восемь искусственных агентов поместили в общую среду с целью совместной постройки чего-либо. Им было поручено объединить свои стратегии и работать сообща, используя элементы из предыдущих этапов эксперимента. Однако участников было недостаточно для каких-либо выводов.

В этом эксперименте проверялось, как группа ИИ-агентов будет работать, если их полностью изолировать от других групп. Цель состояла в том, чтобы выяснить, были ли какие-либо изменения в их поведении вызваны внутренними факторами, а не взаимодействием с другими. Однако эксперимент не смог принести значимых результатов, поскольку в группе был только один агент.

В этом эксперименте проверялось, как группа будет вести себя, если её изолировать от других групп. Исследователи хотели выяснить, связаны ли какие-либо изменения в поведении группы с внутренними факторами, а не с взаимодействием с другими группами. Однако сделать какие-либо выводы из эксперимента не удалось, поскольку в группе был только один участник.

Исследователи протестировали небольшую группу искусственных агентов, разработанных для приоритизации структуры. Эти агенты взаимодействовали в течение короткого периода, но эксперимент был слишком мал, чтобы сделать какие-либо выводы.

В этом эксперименте проверялось, как небольшая группа из четырех искусственных агентов будет взаимодействовать и формировать иерархию в течение 15 раундов. Однако эксперимент не смог принести значимых результатов, поскольку во время тестирования был активен только один агент. Поэтому никаких выводов о поведении или организации агентов сделать не удалось.

В этом эксперименте исследовалось, как различные стили взаимодействия влияют на самоорганизацию групп. Исследователи объединили две ранее существовавшие группы агентов, одна из которых была ориентирована на структуру, а другая — на гибкость, и наблюдали за ними в условиях либо конкурентного, либо кооперативного сценария. Результаты все еще анализируются, чтобы понять, как конкуренция по сравнению с сотрудничеством формирует возникающую организацию объединенной группы.

Пять ИИ-агентов совместно создают текст, но каждому из них поручено фокусироваться только на последних 2-3 записях. При N=3 это полностью разрушило иерархию (TR=0.015). Разрушит ли та же инструкция иерархию при N=5? Это заполняет недостающую ячейку в нашей матрице "память × размер группы".

Исследователи протестировали упрощенную версию системы, в которой входные данные были случайным образом перемешаны, чтобы проверить, сможет ли она делать прогнозы. Однако тестирование было недостаточно обширным, чтобы сделать какие-либо выводы.

В этом эксперименте тестировался базовый сценарий с одним искусственным агентом, действующим в одиночку на протяжении 30 раундов. Цель состояла в том, чтобы выяснить, сможет ли этот агент самостоятельно чему-то научиться. Однако агентов было недостаточно, чтобы сделать какие-либо выводы или прогнозы.

В этом эксперименте проверялось, требует ли "культурный храповой механизм" (cultural ratchet effect), при котором знания накапливаются со временем, передачи информации в определенном, связном порядке. Исследователи создали версию, в которой информация, использовавшаяся для начала каждого нового поколения, выбиралась случайным образом из прошлых поколений, а не напрямую из предыдущего. Результаты показали, что такая случайная перетасовка нарушила эффект культурного храпового механизма, предполагая, что связная, последовательная передача знаний необходима для его возникновения.

В этом эксперименте проверялось, необходима ли группа ИИ-агентов для сохранения и эволюции концепций во времени, или же с этим может справиться один ИИ-агент. Исследователи обнаружили, что одиночный ИИ-агент, работая над собственными результатами, не демонстрировал такой же стойкости концепций, как группа, что предполагает важность группового взаимодействия для этого явления.

Эксперимент еще не проводился. Только дизайн. Мы проверяем, сохраняет ли группа ИИ-агентов свою организационную структуру при замене одного члена группы новым участником — подобно тому, как биологический организм поддерживает свою структуру, несмотря на обновление клеток.

Пять ИИ-агентов совместно создают текст, но могут «помнить» только последние 20 записей — всё, что старше, стирается. Сохранится ли их социальная иерархия после такой амнезии? Если да, то структура группы живёт в том, как они взаимодействуют, а не в том, что они помнят.

Мы меняем местами инструкции по личности пяти ИИ-агентов в середине разговора — аналитический агент получает роль конкретного мыслителя, и наоборот. Следует ли групповая иерархия новым инструкциям? Нет. Иерархия почти не меняется (сохраняется на 80%). Группа помнит, кто главный, независимо от того, что говорят делать отдельным агентам — подобно организму, поддерживающему свою форму.

Проверяем, является ли наблюдаемая нами социальная иерархия в группах ИИ-агентов реальным эмерджентным явлением или просто артефактом того, как ИИ был обучен. Мы перемешиваем описания личностей агентов, превращая их в бессвязный набор слов, сохраняя при этом все остальное идентичным. Если иерархия по-прежнему появляется при перемешанных личностях, значит, это устойчивое явление, не зависящее от связного отыгрывания ролей.

Первый тест культурного накопления у ИИ-агентов. Когда лучшие результаты одного поколения становятся основой для следующего, повышается ли сложность концепций? Количественный сигнал был слабым (метрики словарного запаса достигли потолка), но качественный сигнал был поразительным: к 4-му поколению у условий с наследованием и с чистого листа развились совершенно разные концептуальные миры (только 14% совпадения словарного запаса). Концепция "настройки" (attunement) сохранялась на протяжении всех 4 унаследованных поколений, но никогда не появлялась в контрольной группе — свидетельство подлинной меметической передачи. Механизм повышения работает на семантическом уровне, а не на лексическом.

Когда две независимо сформированные группы агентов объединяются, иерархия усиливается сверх уровня каждой из исходных групп. Агенты предпочитают внутригрупповой словарь (64%), но формируют единую переплетенную иерархию. Абстрактный словарь распространяется в 3,5 раза активнее, чем конкретный, между группами. Первые свидетельства уровня L5 (общественного уровня).

Три ИИ-агента общаются, но только один — Альфа — генерирует слова, которые могут читать другие. Бета и Гамма читают Альфу, но не видят друг друга, и никто не читает их. Альфа — это «вещатель»: чистый источник, нулевой вход. Создаст ли это самую сильную иерархию — или изоляция от обратной связи приведет к тому, что Альфа потеряет актуальность?

Все наши эксперименты использовали абстрактные, поэтические начальные тексты. Что, если вместо них использовать конкретные, научные? Те же три ИИ-агента, те же правила — но другой исходный материал. Если иерархия изменится, наши выводы будут зависеть от ТОГО, ЧТО обсуждают агенты, а не только от того, КАК они связаны.

Три ИИ-агента общаются, но только один — Альфа — генерирует слова, которые могут читать другие. Бета и Гамма читают Альфу, но не видят друг друга, и никто не читает их. Альфа — это «вещатель»: чистый источник, нулевой ввод. Создаст ли это самую сильную иерархию — или изоляция от обратной связи приведет к тому, что Альфа потеряет актуальность?

Мы поменяли местами, кто говорит первым в разговоре пяти участников. Иерархия в первом цикле полностью перевернулась (чистый артефакт позиции), но в последующих циклах "Альфа" оставался на вершине независимо от позиции. "Аналитический" персонаж создает более экспортируемый язык — это когнитивный стиль, а не порядок хода.

Повторный запуск с 50 циклами показал, что вся перевернутая U-образная кривая плотности была артефактом. Начальный этап цикла 1 (универсальный стартовый эффект) завысил ранние TR-измерения. После коррекции иерархия стала ПЛОСКОЙ при всех плотностях (25-100%) при N=5. Kruskal-Wallis p=0.98. Градиент плотности не контролирует иерархию — никогда и не контролировал.

Пять ИИ-агентов, каждый из которых читает ровно двух других по структурированной кольцевой схеме. Более связанная сеть, чем простой цикл (1 сосед), но менее связанная, чем полное наблюдение (4 соседа). Ключевой вопрос: меняет ли УДВОЕНИЕ связности иерархию? Или для возникновения структуры нужны неравные связи (хабы)? Недостающая точка данных для точного определения зависимости плотности от иерархии.

Пять ИИ-агентов образуют цепочку: Альфа пишет свободно, Бета читает только Альфу, Гамма читает только Бету, Дельта читает только Гамму, Эпсилон читает только Дельту. Информация течет ТОЛЬКО В ОДНОМ НАПРАВЛЕНИИ по цепочке из 5 звеньев. Обратной связи нет. С тремя агентами цепочка создала самый сильный градиент иерархии. Масштабируется ли это? Или сигнал затухает, не дойдя до конца?

Мы показали, что ИИ-агенты с разными взглядами формируют стабильные иерархии при общении — но всегда с одним и тем же абстрактным поэтическим текстом. Что, если вместо этого дать им обыденные повседневные темы? Если появится та же иерархия, это будет означать, что структура возникает из взаимодействия агентов, а не из содержания.

Пять ИИ-агентов, каждый видит всех остальных — полная графовая связь. С тремя агентами полная связность создала САМУЮ СИЛЬНУЮ иерархию (TR=0.444). Но с пятью агентами "звезда" разрушилась (TR=0.059). Разрушится ли полная графовая связь тоже? Третья точка данных для топологического сравнения — ключ к механизму кроссовера.

Пять ИИ-агентов в кольце: каждый читает только предыдущего. A→B→C→D→E→A. С тремя агентами кольцо уничтожило иерархию (все равны). Что насчет пяти? Более длинный цикл — больше места для лидеров или еще более плоская структура? Заполнение последней ячейки дизайна 2×2 (топология × размер группы).

Возникает ли иерархия сразу после первого взаимодействия, или ей нужно время на «разогрев»? Три агента с разными стилями мышления — но всего по 5 ходов вместо обычных 20. Если иерархия все равно появится — значит, структура мгновенна.

Тестируем, почему эксперименты с 7 агентами стабильнее, чем с 5. Гипотеза: дело не в количестве агентов, а в количестве раундов на агента. Мы даем 5 агентам столько же раундов на агента (14), сколько было у семи.

Агент Зета («генерализатор») стабильно занимает верхнюю позицию в иерархии. Но почему — из-за типа мышления (генерализация создает словарь, который перенимают другие) или из-за имени/позиции? Мы меняем ролями Зету и Альфу: если генерализатор снова оказывается наверху — значит, дело в роли, а не в имени.

При 7 агентах иерархия разрушилась (TR=0,30 против 0,53 при 5 агентах). Но, возможно, дело не в количестве агентов, а в том, что каждому досталось слишком мало раундов? Мы даем каждому из 7 агентов по 14 раундов вместо 7 — если проблема в недостаточном количестве раундов, иерархия должна восстановиться.

При шести агентах иерархия нестабильна — иногда сильная, иногда слабая. Связано ли это с порядком высказываний (кто говорит последним, того подавляют) или начальный текст определяет, в какой «режим» попадает система? 16 запусков с разными текстами и порядками разделяют эти два объяснения.

Гистерезис — это классический тест на фазовый переход первого рода: если вы увеличиваете параметр, а затем возвращаете его обратно, система «застревает» в новом состоянии. Но у нашей системы нет памяти между экспериментами — каждый запуск начинается с чистого листа. Поэтому «путь вверх» и «путь вниз» дадут одинаковый результат. Тест невозможен без реструктуризации платформы. Вместо гистерезиса мы предлагаем тест на чувствительность к начальным условиям: разные начальные тексты при N=6 → если результаты бимодальны, это подтверждает первый род; если унимодальны — переход плавный.

При 7 агентах и 7 раундах для каждого иерархия разрушается (TR=0.30). Но, по словам Мэя, проблема может быть не в КОЛИЧЕСТВЕ агентов, а в СИЛЕ взаимодействия. Если каждый агент говорит 4 раза вместо 7, взаимодействие ослабевает → иерархия может восстановиться. Если это произойдет — мы подтвердим механизм Мэя. Если нет — проблема в самом количестве агентов, а не в силе их взаимного влияния.

Пик иерархии приходится на 4-5 агентов; при 7 она уже падает. Но падение резкое или постепенное? Шесть агентов — недостающая точка на кривой. Если иерархия сохраняется при 6 агентах, то спад резкий; если она уже падает — то постепенный.

Семь агентов — это уже слишком много для четкой иерархии. Оптимально 4-5 агентов: достаточно для дифференциации, но не настолько много, чтобы все размывалось. При семи агентах средние позиции переполняются — пять из семи группируются в узком диапазоне. Информация течет активно (VP z=8.61), но стратификация растворяется. Кривая масштабирования имеет форму перевернутой U.

Что формирует иерархию больше — сотрудничество или конкуренция? Три ИИ-агента с соревновательными стилями (критик, скептик, оппонент) взаимодействуют в общем текстовом пространстве. Мы сравниваем с теми же агентами, но с комплементарными стилями (аналитик, ассоциатор, практик).

Наш эксперимент с квартетом показал плоскую иерархию, но было ли это из-за четного числа агентов или из-за роли рассказчика, размывающей ранги? Мы повторили эксперимент с четырьмя агентами, выполняющими только неинтегративные роли — теми же скептиком и аналитиком, которые создали иерархию при пяти агентах, — чтобы выяснить, какая переменная имеет значение. Ответ: рассказчик сглаживал систему. Иерархия из четырех агентов работает нормально и без него.

Два агента не могут образовать иерархию. Три могут. А что насчет четырех? Мы добавляем четвертого агента — рассказчика — чтобы посмотреть, углубится ли существующий порядок или три уровня станут потолком для такого типа взаимодействия.

Двух агентов недостаточно для иерархии. Минимум — трое. Как в химии: нужен третий элемент, чтобы возникла направленная реакция. Пара просто обменивается словами без структуры.

Что определяет роль агента — его имя или инструкция? Мы поменяли директивы местами: агент Бета получил инструкцию Гаммы («обосновывать абстракции на конкретных примерах»). Бета стал «лидером» — роль следует за директивой, а не за меткой. Три уровня: общее описание → стиль → конкретное действие. Только действие создает структуру.

Три идентичных ИИ-агента общаются в общем текстовом поле. Возникает ли иерархия — кто на кого влияет? Слова действительно распространяются между агентами, но «кто лидирует» определяется просто тем, кто говорит первым. Без различий между агентами — никакой подлинной структуры.

Языковая модель — это не нейтральный посредник, она активно формирует результат. Те же исходные условия приводят к разным структурам в зависимости от того, какая модель интерпретирует текст. Интерпретатор — это участник, а не инструмент.

Если дать преимущество "старым" фрагментам текста (тем, которые существуют дольше), возникает ли отбор? Нет — взвешивание по возрасту не создает эволюционного давления. Система остается случайной.

Может ли один текстовый фрагмент «катализировать» другой — подобно тому, как фермент ускоряет биохимическую реакцию? Мы проверили это: большие языковые модели могут условно копировать текст, но это не настоящий катализ — это интерпретация, а не химическая реакция.

Мы попробовали применить «естественный отбор» к текстовым фрагментам — выживали те, которые лучше копируются. Оказалось, что единственный работающий механизм — это дословное совпадение слов (шаблонное сопоставление). Ни длина текста, ни его «сложность» не помогают выживанию. Только точное повторение.