集体智能是抽签吗？LLM 多智能体系统中 memetic drift 的比例律

由大型语言模型（LLMs）驱动的多智能体系统日益在塑造重要决策的场景中发挥作用，直接或间接地发挥作用。然而，仍不清楚其结果反映的是集体推理、系统性偏见，还是纯粹的偶然。最近的研究通过命名游戏等方式细化了这一问题，表明即使没有单个智能体先验偏好任何标签，种群也会迅速破坏对称性并达成一致。本文通过引入最小模型 Quantized Simplex Gossip（QSG）揭示了这一机制的微观来源，追踪其到相互 in-context 学习的过程。在 QSG 中，智能体维持内部信念状态但从其他抽样输出中学习，因而一个智能体的任意选择成为下一个智能体的证据并可趋向一致。我们将这种抽样驱动的 regime 称为 memetic drift。QSG 预测了从漂移主导的 regime（其中一致性实际上是抽签决定的）到选择 regime（其中弱偏见被放大并影响结果）之间的横跨。我们推导了关于漂移引起的极化程度随种群规模、通信带宽、in-context 适应速率和智能体内部不确定性关系的比例律，并在 QSG 模拟和使用 LLM 种群进行命名游戏实验中对其进行了验证。总体而言，这些结果为研究多智能体系统中社会表征形成的集体机制提供了框架。