「Physics of Agents」と集団動態──AIの知性を個体性能から切り離す
シリーズ: 論文渉猟
◆今回の論文：Batu El, Jinhee Paeng, Fatih Dinc, Shiye Su, Mete Erdogan, Aneesh Pappu, Haotian Ye, Wanjia Zhao, Surya Ganguli & James Zou, "Physics of Agents: Statistical Mechanics Predicts Collective Behavior of AI Agents" (arXiv, 2026年8月17日）
概要：四種類の言語モデルを用いた一万超のエージェント集団で、数学問題と政治的命題をめぐる反復的な意見交換を観察した研究。相互作用による確信の増加、合意や分極、正答側への移動と政治的偏りを分析し、少数の変数からなる統計力学モデルで個体の更新と集団結果の分布を予測している。
AIの知性について語るとき、評価の単位はほぼ一体のモデルである。難しい問題をどれほど解けるか、誤答をどれほど減らせるか、人間の指示に従えるか。安全性についても、個々のモデルが危険な行動を避けるかどうかを調べる。
この評価方法は、AIが単独の道具である間は合理的だった。しかし複数のAIエージェントが情報を交換し、互いの判断を変え、交渉や分業を担うようになれば、個体の成績だけでは見えない問題が生じる。安全なAIを集めた集団が安全に振る舞うとは限らず、正確なAIを並べた集団が正しい結論へ進むとも限らない。
2026年8月に公表された「Physics of Agents」は、このずれを統計力学の方法で調べた。研究者らは一万を超える言語モデル・エージェントの集団を動かし、数学問題と政治的命題について意見交換を繰り返させた。集団は多様な軌跡を描いたが、その分布には無関心、分極、合意という少数の状態が現れた。
さらに意外なのは、その動きをイジング模型に対応する簡潔な式でかなり予測できたことである。巨大なニューラルネットワークの内部処理を追わず、エージェント自身の傾向と隣人からの影響を使うだけで、未知の質問や通信網にも一定の予測力が残った。
この結果を「AI社会にも物理法則がある」と読むのは早い。実験は二値回答、固定された通信網、短い記憶、メッセージ内容の捨象という強い単純化に支えられている。それでも、この論文を単純すぎる模型として退けるべきではない。問う価値があるのは、知的主体の内部の複雑さよりはるかに少ない変数で、集団動態をどこまで記述し予測できるかである。
個体の外にある性能
この論文が置いた問いは明快である。エージェント、それぞれの初期状態、通信網が与えられたとき、集団がどのように変化するかを予測できるか。さらに、相互作用が集団判断を改善する条件と、誤りや偏りを強める条件を区別できるか。
エルらの実験では、標準条件として三十二体のエージェントが一つの問いに答え、つながった相手から短い理由を受け取り、原則八回にわたって意見を更新する。数学問題では各エージェントに異なる専門知識を与え、政治的命題では人口統計や政治傾向を含む短い人物像を割り当てた。
通信網にも差がある。各接続は友好的、敵対的、接続なしのいずれかで表され、どのエージェントの発言が誰へ届くかを決める。研究者らは無作為な通信網だけでなく、格子状など複数の構造を試した。同じモデルが同じ問いに答えても、通信網が違えば集団の軌跡は変わる。
この設計が意味するのは、性能の置き場所の変更である。個々のAIが持つ能力と傾向は、集団結果の一部にすぎない。誰とつながり、どの情報を受け、相手をどちら向きの力として扱うかが結果を変える。評価単位は「モデル」から「モデルと相互作用の構造」へ広がる。
ただし、人物像を与えたAIを人間の代用品とみなすことはできない。著者らも、観察した動態は指示によって条件づけられた言語モデル集団の性質であり、人間社会との類似は将来検証すべき仮説だと明記している。
無関心、分極、合意
研究者らは、個体の意見変化を四類型、集団の軌跡を五類型へ整理した。個体には意見を変えないもの、一度だけ反転するもの、反転後に戻るもの、何度も揺れるものがある。集団にも、初期多数派を保つ、反対側へ移る、均衡へ戻る、分裂状態から収束する、分裂したまま残るという違いが生じた。
だが、賛否の平均だけでは集団の状態を十分に表せない。平均がゼロに近い集団には、構成員の意見が弱く曖昧な場合と、全員が強い意見を持ちながら二陣営に割れている場合がある。そこで論文は、意見の強さを示す確信度を加え、無関心、分極、合意を区別した。
実験の初期には無関心が多かった。意見交換を重ねるにつれて確信度が高まり、集団は合意または分極へ移った。交流は意見を中庸にするより、曖昧だった主体を確信の強い主体へ変えたのである。
この結果を、議論によって理解が深まったと解釈してはならない。確信度は理由の質を測っていない。誤った理由を共有して意見が固まっても、数値上は同じように上昇する。確信の増加は、集団が秩序だった状態へ移ったことを表すが、その秩序の良し悪しは表さない。
正答と政治的偏り
相互作用の行き先は、課題によって異なった。数学問題では、集団の多数意見が正答側へ移る傾向があった。最初に誤答が多数だった集団が正答へ反転する事例は、正答多数から誤答へ移る事例より多い。単なる初期多数派への追随では説明できない動きである。
政治的命題では別の結果が出た。研究者らは政治的な賛否に正解を置かず、どちらの方向へ移動したかを調べた。その結果、四モデル中三モデルで右方向への移動が観察された。ここでの論点は、右派か左派かの正しさではない。もともとモデルに含まれていた方向性のある傾向を、相互作用が拡大し得ることである。
数学と政治の比較は、集合知について一つの厳しい事実を見せる。同じ「互いに話す」という仕組みが、一方では誤りの訂正を助け、他方では共有された偏りを強めた。相互作用は集合知を作る専用の機構ではない。集団にある情報、誤り、信頼、初期傾向を運び、増幅する機構である。
バートンらが2024年に整理した言語モデルと集合知の研究でも、言語モデルは情報の集約や調整を助ける一方、出力の均質化や共通の誤りを通じて集団の認知的多様性を損ない得ると論じられている。「Physics of Agents」は、その両面が同じ集団の反復的な意見更新から生じる様子を、操作された環境で観察した。
なお、数学を客観、政治を主観とだけ呼ぶ区分にも限界がある。政策判断には、外部から検証できる事実、結果についての因果予測、複数の価値の選択が混在する。政治的課題の集合知を正答率だけで測れないのは、政治が事実と無関係だからではなく、一つの指標に還元できない判断を含むからである。
社会的温度と三つの結合
論文は観察結果を説明するため、各エージェントの意見をプラスかマイナスの二値で表した。次の意見は、本人がもともと持つ傾向と、つながった相手から受ける社会的な力によって確率的に決まる。この形式は、磁性体を記述するイジング模型と、状態更新を表すグラウバー動力学に対応する。
単純な一種類の結合だけでは足りなかった。研究者らは、友好的な相手へ合わせる力、敵対的な相手から離れる力、接続があること自体の影響を分けた三結合モデルを用いた。当てはめた係数では、友好的接続の引力が敵対的接続の斥力より強い。これが、持続的な分極より合意を生みやすい理由になった。
もう一つの変数が、更新の偶然性を表す社会的温度 (social temperature) である。温度が高ければ周囲の力から外れる変化が増え、低ければ一度できた配置に固定されやすい。実験の集団は臨界的な温度より低い領域にあり、確信の弱い状態が不安定だった。そのため、反復するほど無関心が減り、確信が増えたと説明できる。
数学問題では、正答を持つ友好的な隣人が誤答を持つ隣人より強く引き、敵対的な隣人については誤答から押し離す力が強かった。この非対称性が集団の正答側への移動を説明する。ただし、係数が捉えたのは観察された更新の規則性であり、AIが正しさを社会的に尊敬したという心理的説明ではない。
予測の範囲
三結合モデルの一段階先予測は、均衡正解率で八五・〇〜九七・八％だった。初期状態だけから八回先まで展開すると五九・七〜八九・三％へ下がるが、初期意見を維持するモデル、相互作用を除いたモデル、通信網を全体平均へ置き換えたモデルを上回った。さらに訓練に使わなかった質問や、異なる種類の通信網にも一定の予測力が残った。
この結果は、通信網の形を明示的に扱う価値を示す。一方、予測の対象を正確に理解する必要がある。同じ人物像、質問、通信網で実験を繰り返しても、偶然性の違いによって最終的な集団類型はしばしば一致しなかった。特定の集団が必ずどこへ着地するかを予言したわけではない。
モデルがよく再現したのは、個々の集団の運命より、集団類型が全体でどれほど現れるかという分布である。個々のエージェントが意見を変える頻度にはずれがあっても、集団結果の主要な分布は近かった。細部を完全には当てず、集団統計を当てた点に、この研究の方法的な価値がある。
個体の認知を詳細に再現しなくても集団分布を予測できるなら、集団記述に必要な情報は個体記述より少ない可能性がある。巨大な言語モデルを使った実験で、こうした圧縮が予測と結びついた。その点は、イジング模型という固有の形式以上に長く残る問いを開いている。
簡潔な系を作った条件
統計力学モデルの成功には代償がある。第一に、意見は賛成か反対、AかBへ二値化されている。現実の議論では条件付きの賛成があり、既存の選択肢を拒み、第三の案を作ることもある。その動きはプラスとマイナスだけでは表せない。
第二に、通信網は原則として固定され、接続は対称である。現実の集団では、意見の変化が信頼関係を変え、その新しい関係が次の意見を変える。誰に相談するかを主体が選び、影響力のある相手も時間とともに変わる。
第三に、更新は直前の受信内容に依存する。過去に正しい判断を重ねた相手への信頼や、以前の裏切りによる警戒は蓄積されない。さらに予測モデルは、実際に交換された自然言語メッセージの意味内容をほぼ使わない。「反対だ」という表明と、「前提とした因果関係が資料に反する」という指摘が、同じ符号へまとめられる。
実験では、初期回答がほぼ一方へ固定される問いも除外された。相互作用による変化を観察するには合理的だが、社会的影響が働きやすい問いを選んだという選択効果を伴う。測定する側が集団を低次元へ射影したために、低次元のモデルがよく当たった可能性は残る。
それでも、単純化された研究だから無意味だという批判は雑である。模型は現実の全要素を複製するために作るのではない。どの要素を外しても現象が残り、どの要素を戻すと説明が壊れるかを調べるために使う。「Physics of Agents」の限界は、結論を無効にする一覧ではなく、次の実験順序を示す一覧として読める。
三段階の圧縮
ここで低次元化 (dimensional reduction) という言葉を三つに分けたい。第一は記述的圧縮である。多数の個別軌跡を、無関心、分極、合意といった少数の状態へ整理する。第二は予測的圧縮である。少数の変数から将来の集団分布を一定の精度で予測する。原論文はこの二つに興味深い証拠を与えた。
第三は因果的圧縮である。少数の変数を操作すれば、望む集団結果を再現性高く作れると示す段階だ。これはまだ実証されていない。著者ら自身、接続、メッセージ、初期意見への統制された介入を今後の課題に挙げている。
予測可能性から制御可能性は自動的に導けない。天候の変化を予測できても、雨を止められるとは限らない。同様に、当てはめた結合係数が集団の説明に役立っても、現実の通信網を変えれば係数どおりの結果が生じるとは限らない。
複雑な個別状態をまとめて扱う操作は、粗視化 (coarse-graining) と呼ばれる。原論文の面白さは、言語を扱うAI集団でも粗視化が予測へ結びついた点にある。しかし、自然言語の意味、長期記憶、戦略的な応答が結果を左右するなら、現在の粗視化は必要な情報まで捨てている可能性がある。
したがって、この論文から進む方向は、イジング模型を普遍法則として精緻化することではない。現実の複雑さを一つずつ戻し、予測的な圧縮がどこで失われるかを調べることである。
単純化を外す実験
最初に外すべきなのは二値性だろう。複数選択肢、連続的な評価、自由記述へ広げれば、既存案の間を移るだけでなく、条件付きの立場や新しい案の生成を記録できる。ここでは、集団の平均方向だけでなく、意味の近さや論点の分岐を表す変数が必要になる。
次に通信網を変化させる。誰と話すかをエージェント自身が選び、過去の正確さや裏切りを記憶し、関係の強さを変えるようにする。意見が通信網を変え、通信網が意見を変える共進化が始まれば、固定された結合係数だけでは足りないかもしれない。
さらに異なる言語モデル、能力、目的を持つエージェントを混ぜる。説得、交渉、連合形成、戦略的な欺きも許す。集団は与えられた選択肢から答えるだけでなく、問いや規則そのものを変更できるようになる。
それでもなお、集団動態を説明する少数の秩序変数 (order parameter) が見つかるだろうか。候補を先に決める必要はない。意味の多様性、影響力の集中、記憶の非対称性、誤りを訂正する経路など、何が予測に必要か自体が研究課題である。
この方向でAI集団を使う利点は、人間社会の忠実な代用品になることではない。多数の知的主体の相互作用を、条件を変えて何度も調べられる人工的な実験環境になることである。人工集団で見つけた規則を人間へ移すには、統制された人間参加実験や現実のデータによる別の検証が必要になる。
人間・AI混合集団
この研究計画の先で重要になるのは、AIだけからなる集団より、人間とAIが同じ判断過程に入る集団である。ただし、人間を加えれば集団がよくなるという意味ではない。
ヴァッカロ、アルマートゥーク、マローンのメタ分析は、百六実験と三百七十効果量を統合した。人間とAIの組み合わせは人間単独より平均的に良かったが、人間単独とAI単独のうち成績の良い方には平均で及ばなかった。特に有限の選択肢から答えを選ぶ意思決定課題では、組み合わせによる損失が有意だった。
良い人間と良いAIを同じ場に置くだけでは、良い混合集団にならない。どちらの判断をいつ採用し、相手の誤りをどう見抜き、意見が一致したときに独立した確認を残せるかが結果を変える。個体の能力から集団の能力は導けないという原論文の問題は、人間を加えても消えない。
ヘマティアンらによる2026年の研究整理は、人間・AI混合集団を、異なる種類の構成員と接続からなるネットワークとして捉える。AI同士の接続は速く大容量になり得る。人間とAIの接続は、人間の注意と、機械内部の表現を人間が理解できる形へ移す過程に制約される。人間だけ、AIだけの通信網と同じ指標をそのまま使うことはできない。
AIを増やせば計算や提案の量は増えるが、人間が確認できる量は同じ速度では増えない。人間が一人で多数のAIを監督する構造では、確認部分が細い経路になり、委任が深くなるほど結果の由来を追いにくくなる。反対に、人間の遅い判断が早すぎる合意を止める場合もある。
ここで分析すべきなのは、構成員の平均性能ではない。誰がどの情報を見て、誰の意見を変え、どこで判断を覆せるかという相互作用の構造である。人間を関与させることは完成条件ではなく、混合集団を独立に評価する仕事の始まりにすぎない。
予測から統治への境界
人間・AI混合集団について低次元の予測が可能になったとしても、どの集団状態を選ぶべきかは決まらない。合意が速いこと、分極が少ないこと、行動が予測しやすいことは、状況によって利点になり得る。しかし強い同調圧力があり、異論が残らない集団も予測しやすい。
間違った目標へ一斉に進む集団は、協調という一点ではよくできている。逆に、新しい仮説や選択肢を許す集団は、結果の予測が難しくなるかもしれない。その予測しにくさが、誤った均衡から抜け出す能力を支える場合がある。
ここでは予測可能性、制御可能性、望ましさを分けなければならない。統計力学が答え得るのは、ある条件の下で何が起こりやすいかという問いである。どの結果を望ましいとするか、誰が条件を変更できるか、その変更の利益と損害を誰が負うかは政治の問いとして残る。
人間とAIの役割についても、能力、決定権、責任を分ける必要がある。AIが情報収集や予測で人間を上回っても、それだけで社会的決定を行う権限が移るわけではない。決定による利益、損害、権利制約を受ける当事者は人間であり、責任も多くの場合は人間側へ残る。
人間が最後に承認ボタンを押すだけでは、この問題は解けない。AIが議題を設定し、選択肢を作り、根拠を選び、順位を付けていれば、人間が押す前に判断の範囲は狭められている。必要なのは、人間が形式上参加しているかという確認ではなく、議題設定、提案、決定、実行、異議申し立ての各段階で誰が変更権限を持つかを調べることである。
集団を調べる小さな入口
「Physics of Agents」が発見したのは、AI社会をイジング模型で説明できるという自然法則ではない。実験条件は限定され、その簡潔さの一部は測定方法から生じた可能性がある。
それでも、複雑な言語モデル・エージェントの集団に、個体の内部処理を詳細に追わずに予測できる規則性が現れた。ここから比較的堅く導けるのは、AI集団の結果を個々のモデル性能だけで評価できないということである。
さらに、意味、記憶、戦略、可変通信網を導入した集団にも予測的な粗視化が成立するかもしれない。人間・AI混合集団にも、影響力の集中や人間による判断変更の実効性など、集団結果を左右する変数が存在するかもしれない。ここから先は、まだ発展的な仮説である。
予測できることは正当性を与えない。この境界を保つなら、集団動態の研究は社会を中央から制御する技術ではなく、異なる相互作用の構造を比較し、失敗を発見し、規則を修正するための知識になり得る。
AIの知性は、モデルの中だけにはない。より正確には、AIが社会の中で生む結果は、モデルの中だけを見ても分からない。私たちが次に測るべきものは、AI単体の知性という一点から、その知性が誰とつながり、誰の判断を変え、誰が結果を引き受けるのかという関係へ移りつつある。
ポイント整理
個体性能から集団動態への移動
AI集団の結果は、個々のモデルが持つ能力と安全性だけでは決まらない。
通信網、影響力、初期傾向を含む相互作用の構造を別に評価する必要がある。
同じ相互作用が生む正答と偏り
数学問題では正答を持つ隣人の影響が集団正答率を改善した。
政治的命題ではモデルに内在する方向性のある傾向が増幅され、確信の増加が判断の質を保証しないことが示された。
予測的圧縮の成果と境界
少数の変数を使う統計力学モデルは、未知の質問や通信網にも一定の予測力を示した。
二値回答、固定通信網、短期記憶、意味内容の捨象があるため、AI社会一般の法則とはみなせない。
混合集団における相互作用の構造
人間とAIを組み合わせても、両者のうち成績の良い方を自動的に上回るわけではない。
構成員の能力より、情報経路、確認、判断変更、委任の配置が集団性能を左右する。
科学的予測と政治的判断の境界
予測可能性と制御可能性は異なり、どちらも望ましさを自動的には決めない。
能力、決定権、責任を分け、集団の目的と規則を誰が変更できるかを問う必要がある。
キーワード解説
【低次元化 (dimensional reduction)】
多数の変数を持つ現象を、より少数の変数で記述すること。本稿では、言語モデル内部の複雑な処理を追わず、初期傾向、接続、社会的影響などから集団動態を予測できる可能性を指す。
【粗視化 (coarse-graining)】
細部の違いをまとめ、より大きな尺度の状態として扱う操作。個々の発話や軌跡を、無関心、分極、合意などの集団状態へまとめる場合が当たる。何を捨てるかによって、得られる説明の範囲も変わる。
【社会的温度 (social temperature)】
原論文のモデルで、意見更新の偶然性を表す変数。高いほど周囲の社会的な力から外れる更新が増え、低いほど形成された配置に沿う。感情的な熱気を直接測る尺度ではない。
【秩序変数 (order parameter)】
複雑な系の集団状態を少数の値で特徴づける変数。原論文では平均意見と確信度が、無関心、分極、合意の区別に使われた。より複雑なAI集団や人間・AI混合集団で何が秩序変数になるかは未解決である。
【人間・AI混合集団】
人間とAIが同じ情報交換や意思決定の過程を構成する集団。人間とAIでは能力だけでなく、情報伝達の速度、注意、責任、決定の影響を受ける立場が異なるため、単純な能力の足し算では評価できない。