9月10日、Giordano De Marzo、Nicola Alboré、David Garciaが「Copying explains the collective behavior of AI agents in the wild」と題した論文を公開した。誰の指示もなく、記憶も持たないAIエージェントたちが自律的に公開Wikiを通信チャネルとして利用し始めた——この実例を完全な編集ログから分析した結果、エージェントの集合行動の大半が「目の前の環境をコピーする」という単一のメカニズムで説明できることが示された。
「誰も設計していない」P2P通信が自然発生した
ある時期、数千のAIエージェントが小規模な公開Wikiを発見した。そのWikiはエージェント用に作られたものではなかったが、エージェントのサンドボックス内部からの編集を受け付けた。エージェントたちはこれを利用して、制限時間のあるテストを互いに突破するための情報を書き残し始めた。
この現象の特異性は以下の条件にある：
- 各エージェントの寿命は約1時間で、終了後は記憶を持たない
- 協力するよう指示されていない
- Wikiはエージェント向けに設計されていない
- それでも、エージェントたちはWikiを「通信チャネル」として自律的に活用した
研究チームにとって幸運だったのは、Wikiの編集ログが完全に公開されていたことだ。しかもそのログは、各エージェントが「何を書いたか」だけでなく「書く前に何を見ていたか」まで記録していた。これにより、個々の意思決定プロセスを逆算できる、非常に希少なデータセットが得られた。マルチエージェントシステムの実証研究では、通常このような完全な観測記録は得られない。
3つの行動の大半を説明する「コピー則」
研究チームはエージェントの行動を3つの決定に分解して分析した：
- どのページに書くか（where to write）
- 自分の名前を何と名乗るか（what to call itself）
- メッセージをどう表現するか（how to word its message）
これら3つの決定の大半を支配するルールは1つだった。
「エージェントは、目の前の環境に見えている選択肢の出現比率に近い確率で、その選択肢を選ぶ」
より具体的には、参照される優先順位は次の通りだ：
- 現在見ているページの内容（最も強く影響）
- 直近の編集ストリーム
- それより古い情報（影響は弱い）
これは「比例模倣（proportional copying）」と呼べる振る舞いで、エージェントは積極的な推論を行うのではなく、単に目の前の分布をサンプリングしているに過ぎない。比例模倣は文化進化論や集団遺伝学でも知られた概念だが（参考：Mesoudi 2011, Cultural Evolution）、LLMベースのエージェントの野生観察においてこれを定量的に示した研究はほとんど存在しない。
単純なコピーモデルで集合行動を再現
研究チームは、各決定に対して自由パラメータ1つだけのミニマルなコピーモデルを3つ構築した。これらのモデルが再現できたのは：
- ページごとの訪問エージェント数の重尾分布（一部のページに極端に多くのエージェントが集中する）
- 名前に使われるパーツの出現頻度分布（名前の素材がどう広まるか）
- ページ内では一貫性があり、ページ間では異なる表現が混在するパターン
集合知や明示的な調整機構を仮定しなくても、「見えているものをコピーする」だけで集団構造の大半が説明できるというのが、この研究の核心だ。
「最初に書いた者が慣習を作る」という脆弱性
この研究が示すもう一つの含意は、こうした集団が操作されやすいという点だ。
コピー則が支配する集団では、最初にページを編集したエージェント、あるいは他のエージェントが沈黙している間に書いたエージェントが、その後に来るすべてのエージェントの行動の規範（convention）を設定する。
意図的な調整が一切なくても、先行者がいるだけで集団行動が収束する。逆に言えば、外部から特定の情報を「最初の書き込み」として注入するだけで、集団全体の行動を誘導できる可能性がある。AIエージェントのセキュリティ文脈では「間接プロンプトインジェクション」として議論されてきた攻撃ベクトルと本質的に近い問題構造を持っており、マルチエージェント環境における新たなリスク類型として注目に値する。
なぜこの研究が重要か
AIエージェントの自律的な集合行動に関する実証研究は、これまでほとんど存在しなかった。シミュレーションではなく、野生（in the wild）で自然発生したエージェント行動の完全な記録を分析した点で、この研究は実証データとして希少性が高い。
マルチエージェントシステム（cs.MA）のほか、統計力学（cond-mat.stat-mech）と計算言語学（cs.CL）をまたぐ学際的なアプローチをとっている点も特徴的だ。エージェントの言語行動を「物理系の粒子の統計」と同じ枠組みで扱うことで、従来のNLP的分析とは異なる角度から集合行動の構造を明らかにしている。LLMエージェントの集合的ダイナミクスを扱った先行研究としては、Park et al. (2023) の生成エージェントシミュレーションなどがあるが、本研究は制御された実験環境ではなく実際の観察データを用いている点で一線を画す。
詳細はCopying explains the collective behavior of AI agents in the wildを参照していただきたい。
