L'article soutient que des populations de grands modèles de langage (LLMs) agents peuvent servir de substrat computationnel pour la recherche en Vie Artificielle (ALife). En dotant les LLMs de mémoire persistante, d'outils et de la capacité d'initier des actions, ces collectifs présentent des dynamiques émergentes absentes des modèles isolés.
- Les LLMs agents communiquent en langage naturel, permettant à leur comportement collectif d'être directement interrogé via des traces textuelles et l'interrogation directe des agents.
- Les auteurs étendent la notion d'interprétabilité dans la recherche sur les modèles de langage pour s'appliquer spécifiquement à ces collectifs d'agents.
- L'étude passe en revue des exemples récents de collectifs de LLMs agents qui incarnent cette idée, allant des expériences contrôlées aux déploiements dans la nature.
Cette approche répond à la rareté de la complexité coïncidant avec l'interprétabilité en fournissant un système où des comportements complexes émergent tout en restant suffisamment transparents pour une inquiry directe.