Badacze odkryli ukryte kotwice w wieloagentowej deliberacji LLM-ów

Nowe badanie naukowe rzuca światło na fascynujący mechanizm działania wieloagentowej deliberacji w dużych modelach językowych. Naukowcy z University of North Texas odkryli, że każdy agent AI posiada ukryte „kotwice” — wewnętrzne przekonania, które wpływają na proces podejmowania decyzji grupowych. Pełne wyniki badania zostały opublikowane w czerwcu 2026 roku.

Badanie autorstwa Apurby Pokharela i Rama Dantu modeluje wieloagentową deliberację jako zamknięty system dynamiczny, w którym agenty wymieniają się odpowiedziami i rewidują je w kolejnych rundach. To podejście naśladuje sposób, w jaki ludzie jako istoty społeczne podejmują decyzje — balansując między wpływem grupy a własnymi wewnętrznymi przekonaniami.

Kluczowe wnioski

• Każdy agent AI posiada ukrytą „kotwicę” — wewnętrzne przekonanie, które stale wpływa na jego opinię niezależnie od sąsiadów.
• Kotwice można odzyskać wyłącznie z analizy procesu deliberacji, bez dostępu do wewnętrznych stanów modelu.
• Pewność agenta co do poprawnej odpowiedzi może wzrosnąć ponad poziom, od którego rozpoczął jakikolwiek agent — wykraczając poza początkową przestrzeń przekonań.
• Siła wpływu wszystkich kotwic jest podobna, ale różnią się one położeniem względem początkowych opinii.
• Tylko gdy kotwica znajduje się daleko od początkowych opinii, deliberacja wykracza poza pierwotną przestrzeń przekonań.

Mechanizm ukrytych kotwic

Klasyczne modele dynamiki opinii, takie jak DeGroot i Friedkin-Johnsen, uwzględniają jedynie efekt stada — wpływ grupy na jednostkę. Nowe badanie pokazuje jednak, że w przypadku LLM-ów działa dodatkowy mechanizm: ukryte wewnętrzne przekonania, które autorzy nazywają „kotwicami”.

Te kotwice działają jako stały punkt odniesienia, przyciągający opinię agenta niezależnie od tego, co mówią jego sąsiedzi w sieci. To zjawisko tłumaczy zachowania, których klasyczne reguły konsensusu nie przewidują — możliwość wzrostu pewności poza początkową przestrzeń przekonań wszystkich uczestników.

Test generalizacji i spektrum zachowań

Naukowcy opracowali prosty test sprawdzający, czy odzyskana kotwica rzeczywiście przewiduje zachowanie w nowych, nieobserwowanych wcześniej rundach deliberacji. To kryterium generalizacji pozwala określić, czy model jest naprawdę kierowany przez taką kotwicę.

Badania przeprowadzone na trzech rodzinach modeli o otwartych wagach pokazują, że wpływ kotwic to spektrum, a nie zjawisko typu „wszystko albo nic”. Kluczowe okazuje się położenie kotwicy względem początkowych opinii — tylko gdy znajduje się daleko od nich, deliberacja wymaga pełnego modelu zamkniętej pętli i może wykroczyć poza pierwotną przestrzeń przekonań.

Odkrycie mechanizmu ukrytych kotwic otwiera nowe perspektywy dla zrozumienia i optymalizacji wieloagentowych systemów AI. Badanie dostarcza matematycznego modelu wyjaśniającego, dlaczego i jak deliberacja między agentami AI może prowadzić do lepszych wyników niż pojedyncze odpowiedzi.