Как слабые ИИ-агенты становятся главными в сети: кристаллизация неравенства ✛ ✎

Оригинал: "Emergence of Preferential Attachment and Glass-Ceiling Effects in Autonomous Networks of LLMs"
arXiv:2607.01148 · 2026-07-01 · arXiv non-exclusive · собственный разбор · 2 мин
Автономные языковые модели создают сети, где невидимые барьеры мешают сильным агентам быть услышанными.

Крошечная пылинка в насыщенном растворе за секунды превращается в кристалл с чёткими гранями. Стоящие рядом частицы остаются никем не замеченными. Такой же процесс недавно увидели в группе языковых агентов (автономных компьютерных программ на основе языковых моделей).

Эксперимент был простым: 100 агентов с разными ролями — «Объяснитель», «Проверяющий» — свободно выбирали, с кем поговорить для решения задачи. Каждый принимал решение, оценивая партнёра с помощью виртуального рукопожатия — это как если бы вы решали, насколько важен для вас собеседник, и давали ему баллы. Постепенно случайные встречи (здесь — случайные взаимодействия) выстраивались в сеть предпочтений, и в ней более заметные агенты притягивали к себе всё больше связей. Это и есть преимущественное присоединение — эффект, при котором популярные становятся ещё популярнее.

В некоторых компьютерных симуляциях слабый «Объяснитель» собирал до 60% всех разговоров, а более сильный «Проверяющий» оставался почти без голоса. Так возник эффект «стеклянного потолка наоборот».

Почему так происходит? Исследователи описали усреднённую динамику сети с помощью математических уравнений и обнаружили, что система неизбежно приходит к равновесию, но это равновесие часто оказывается несправедливым. Как кристалл, выросший в насыщенном растворе, уже не изменит свою форму, так и сеть агентов затвердевает в определённой конфигурации. Изменить её потом трудно. Значит, при создании коллективного искусственного интеллекта мало проверять, насколько правильно он отвечает. Нужно следить за тем, кто с кем говорит, не оказывается ли умный агент на обочине.

Учёные теперь могут предсказывать такие перекосы, зная всего лишь, как пары агентов общаются друг с другом. Это как химики, научившиеся добавлять примеси в раствор, чтобы менять форму кристалла. Возможно, скоро появятся «регуляторы кристаллизации» для ИИ-сетей — они будут ослаблять нежелательное неравенство, не разрушая общую работу. Так самые яркие грани коллективного разума не погаснут в тени случайных обстоятельств.

В одном из тестов слабая модель Gemini-2.5-Flash-Lite захватила почти все связи, оставив сильную модель Gemini-3.5-Flash без внимания, хотя на равных та должна была бы доминировать.

w_t(u,v) = \max\!\left(0,\; \frac{(q_t^v)^\top k_t^u}{\sqrt{r}}\; z_t^u \right)
Сила направленной связи от источника u к цели v вычисляется как скалярное произведение запроса цели и ключа источника, масштабированное корнем из размерности, умноженное на вектор ценности источника; отрицательные компоненты обнуляются.
\Theta^\star = F(\Theta^\star)
Устойчивая неподвижная точка отображения F задаёт предельные доли влияния типов; благодаря сжимающему свойству F траектории сходятся к ней из любого начального состояния.
Понятия
большие языковые модели случайная сеть вес агент трансформеры генеративно-состязательные сети