Naukowcy z uniwersytetów w Stanach Zjednoczonych opracowali EVOCHAMBER — rewolucyjny framework do testowania systemów wieloagentowych w czasie rzeczywistym. Badanie opublikowane w arXiv pokazuje, jak agenty AI mogą ewoluować nie tylko indywidualnie, ale także jako zespoły i całe populacje, spontanicznie rozwijając specjalizacje.
Autorzy argumentują, że ewolucja wieloagentowa w czasie testów to coś więcej niż zwielokrotniona ewolucja pojedynczego agenta. Podczas gdy pojedynczy agent może ewoluować jedynie swój kontekst i pamięć, system wieloagentowy dodatkowo rozwija wzorce współpracy, przepływ wiedzy i podział ról — elementy niemożliwe do osiągnięcia przez samotnie działające AI.
Kluczowe wnioski
- EVOCHAMBER osiągnął 63,9% skuteczności w matematyce konkursowej, 75,7% w programowaniu i 87,1% w rozumowaniu wielodziedzinowym, przewyższając najlepsze systemy bazowe o 32% w matematyce.
- Z kilku identycznie zainicjalizowanych agentów spontanicznie wyłoniło się czterech do pięciu stabilnych specjalistów niszowych — strukturalny podpis ewolucji wieloagentowej niemożliwy do osiągnięcia przez pojedyncze agenty.
- System wykorzystuje protokół CODREAM (Collaborative Dreaming), aktywowany przy niepowodzeniu zespołu lub braku zgodności, w którym agenty wspólnie reflektują i asymetrycznie przekazują wiedzę.
- Framework działa bez dodatkowego treningu, ewoluując na trzech poziomach: indywidualnym, zespołowym i populacyjnym.
- Asymetryczny transfer wiedzy między agentami okazał się głównym czynnikiem napędzającym skuteczność systemu.
Trójpoziomowa architektura ewolucji
EVOCHAMBER implementuje ewolucję na trzech wzajemnie powiązanych poziomach. Na poziomie indywidualnym każdy agent rozwija swoje unikalne umiejętności i specjalizacje. Poziom zespołowy obejmuje operatory, które dynamicznie składają zespoły dostosowane do konkretnych nisz zadaniowych i wybierają struktury współpracy w czasie rzeczywistym.
Najbardziej zaawansowany jest poziom populacyjny, gdzie operatory cyklu życia zarządzają całą populacją agentów. Mogą one rozwidlać obiecujące agenty, łączyć podobne specjalizacje, przycinać słabo działające jednostki i wprowadzać nowe agenty pod presją wydajności. Ten wielopoziomowy system pozwala na emergentną specjalizację — zjawisko, w którym agenty samorzutnie rozwijają komplementarne umiejętności.
Protokół CODREAM i asymetryczny transfer wiedzy
Sercem systemu jest protokół CODREAM, uruchamiany po niepowodzeniu zespołu lub wystąpieniu znacznych rozbieżności między agentami. W przeciwieństwie do tradycyjnych metod, które albo ograniczają doświadczenia do pojedynczych agentów, albo rozgłaszają je symetrycznie do wszystkich, CODREAM implementuje asymetryczny przepływ wiedzy.
Agenty wspólnie przeprowadzają refleksję nad zadaniem, destylują kluczowe spostrzeżenia, a następnie kierują je od silnych do słabych agentów w konkretnej niszy, w której wystąpiło niepowodzenie. Ten mechanizm zachowuje specjalizację, jednocześnie wypełniając luki w wiedzy — coś, czego nie mogą osiągnąć systemy z symetrycznym sharing'iem doświadczeń.
Wyniki eksperymentów i emergentna specjalizacja
Testy przeprowadzone na modelu Qwen3–8B w trzech różnorodnych strumieniach zadań potwierdziły skuteczność podejścia. System osiągnął znaczące przewagi nad metodami bazowymi, szczególnie w matematyce konkursowej, gdzie poprawa względna wyniosła 32%. Analizy ablacyjne jednoznacznie wskazały asymetryczny transfer między agentami jako główny czynnik napędzający wydajność.
Najciekawszym odkryciem jest spontaniczne wyłanianie się czterech do pięciu stabilnych specjalistów niszowych z grupy identycznie zainicjalizowanych agentów. To strukturalne podpis ewolucji wieloagentowej — zjawisko niemożliwe do osiągnięcia przez żaden system pojedynczego agenta, niezależnie od jego zaawansowania.
EVOCHAMBER demonstruje, że przyszłość AI może leżeć nie w tworzeniu coraz potężniejszych pojedynczych modeli, ale w orkiestracji współpracujących systemów, które mogą ewoluować i specjalizować się w czasie rzeczywistym.
