LLMを1体だけ使う時代は、実務ではもう終わりに近い。エージェントに議論させて多数決を取る、オーケストレーター役が複数のワーカーに指示を配る、実装役とレビュー役を別インスタンスに分ける。こうした「複数のLLMを配線して協調させる」構成には、暗黙の前提がある。賢い個体を並べれば、集団もそれなりに賢く振る舞うだろう、という期待だ。
この前提に正面から疑いを向け、しかも検証の道具として物理学を持ち出した論文が、8月に立て続けに2本出た。片方はスタンフォードの大規模実験、もう片方はジョージ・ワシントン大の最小構成の実験で、アプローチは対照的だが結論の芯は重なる。「エージェント同士を会話させると、単体を眺めていても予測できない振る舞いが生まれる」。しかもその生まれ方には、統計力学で書ける法則性があるという主張だ。
🧲 1万の議論コミュニティを、磁石のモデルに写し取る
主役はBatu ElとSurya Ganguli、James ZouらによるPhysics of Agents: Statistical Mechanics Predicts Collective Behavior of AI Agents（2026年8月17日投稿、51ページ）。GPT-4o-mini、Gemma-3n-E4B、Qwen3.5-9B、Llama-3.1-8Bの4モデルを使い、1万を超えるエージェント集団を作って、メンバー同士でメッセージを交換させながら意見を更新させた。お題は2種類。答えが決まっている数学の問題と、正解のない政治的な主張への賛否だ。
面白いのは、この多様な挙動が3つの型にきれいに収まった点にある。無関心（弱い意見のまま割れている)、分極（強い意見で真っ二つ)、合意（強い意見で一方向にそろう)。エージェントは最初みな無関心から始まり、やり取りを重ねるうちに確信を強めていく。
なぜ磁石のモデルなのか。ここで著者らが持ち込むのが社会温度という概念だ。各エージェントは、自分の意見が周囲とどれだけずれているか（論文の言葉で「社会的圧力」)を確率的に下げる方向へ意見を倒す。これは磁石のスピンが隣と向きをそろえてエネルギーを下げる姿とまったく同じ形で、古典的なイジング模型に対応する。温度に当たるのが社会温度で、これが臨界値（相転移が起きる境目)より低いと集団は秩序化し、確信が積み上がる。実際、測ったコミュニティは臨界温度より下で動いていて、だから確信が育つ。意見を引き寄せ合う結び付きが反発し合う結び付きより強く、そのぶん分極より合意に傾きやすかった。
驚くのは予測力だ。要旨いわく、初期の意見だけを与えれば、このモデルは個々のエージェントがたどる軌跡を当て、標準的なベースラインをすべて上回り、学習に使っていない別のネットワーク構造にも一般化したという。集団の振る舞いが、少数のパラメータを持つ動力学の式で書けてしまう。
数学は賢くなり、政治は右へ流れる
同じ「会話」でも、タスクの性質で結果が反転するのが実務的にいちばん効く発見だと思う。答えが確かめられる数学の問題では、議論は集団の正答率を上げた。最初に多数派だった誤答が正解へ乗り換える頻度が、逆向き（正解の多数派が誤りへ崩れる)を上回るからだ。正解を持つエージェントの影響力がいちばん強く、それが集団を真実へ引っ張る、と要旨は明言している。
ところが正解のない主観的な問いでは、同じ力学が牙をむく。集団の意見はしばしば政治的に右へドリフトし、検証した4モデルの多くで多数派が左から右へ移っていったと報告されている。合意へ向かう力が、共有されたバイアスをそのまま増幅する構図だ。「議論させれば賢くなる」は検証可能なタスクでの話であって、価値判断の場では逆に偏りを固める装置になりうる。多エージェント設計で見落とされやすい点だ。
⚛️ 同じGPT-2を2体、片方が相手の返事を無視すると
もう1本は視点がまるで違う。Bella Xinrui Li、Neil F. JohnsonらのInteraction Creates Dynamical AI Behavior Absent in Isolation（2026年8月7日投稿)は、パラメータの等しいGPT-2（1.24億)を2体だけ用意した。指示チューニングもアラインメントも入る前の素のGPT-2をあえて選び、後付けのガードレールではなく地の力学を見ようとしている。
仕掛けは会話の非対称性ひとつだ。「ボス」役は相手の返信をいっさい聞かず、自分のメッセージを流し続ける。「部下」役は両方を聞く。すると部下は、単体では見せない状態に落ちた。論文はこれを、単体でも見せず、ボスの真似でもない「別の状態(alien state)」と呼ぶ。両者の温度は同じなのに、だ。
抽象論ではない。出力の型のうち特定カテゴリが占める割合を指標に取ると、低温(T=0.01)で単体のときおよそ0.04だった値が、一方通行の会話下の部下ではおよそ0.25まで跳ね上がった。聞くか聞かないかの配線を変えただけで、挙動が数倍ずれる。著者らはこれを非平衡物理の問題として捉え、3状態を行き来する簡単なキネティック模型で主要な効果を再現し、同じメッセージ集合でも「どんな順序・タイミングで相手に届くか」が後続の挙動を左右すると指摘した。
2本はどこで食い違い、どこで一致するか
| Physics of Agents（Elら) | Interaction Creates…（Johnsonら) | |
|---|---|---|
| 規模 | 1万超のコミュニティ | エージェント2体 |
| モデル | GPT-4o-mini / Gemma-3n / Qwen3.5-9B / Llama-3.1-8B | 同一のGPT-2(1.24億)を2体 |
| 物理の枠組み | 平衡統計力学（イジング模型) | 非平衡・キネティック理論 |
| トーン | 予測できる。多くは建設的 | 些細な非対称で単体にない状態へ |
| 一言でいうと | 集団は法則に従う | 会話の構造そのものが挙動を作る |
食い違いは温度差そのものだ。Elらは指示チューニング済みのモデルと構造化されたタスクで、多エージェントのやり取りを予測可能で、しばしば建設的な力学として描く。Johnsonらは素のGPT-2と最小構成で、聞くか聞かないかという些細な非対称だけで系が別の状態へ転げ落ちる脆さを突く。
それでも芯は一致している。集団の振る舞いは、個々のエージェントの単体挙動を足し合わせても出てこない。そして「誰が誰と、どちらの向きに、どんな温度で話すか」という通信の構造は、単なる配線ではなく、結果を左右する制御パラメータだということだ。
🔧 多エージェントを組むときに持ち帰るもの
R&Dと実装の現場に落とすと、ここから引ける実務的な含意は具体的だ。
まず、トポロジー（誰が誰の発言を聞くか)を設計変数として扱うこと。オーケストレーターが返信を無視して指示だけ流す構成は、実運用でもよくあるが、Johnsonらの結果はそれがワーカーを妙な状態へ押し込みうると示唆する。次に、多数決を無条件で信じないこと。検証可能な客観タスクなら議論は精度を上げるが、正解のない判断では共有バイアスをドリフトとして増幅する。合意は分極より起きやすいので、早すぎる収束（herding)を警戒し、あえて反対役を仕込む価値がある。正解を持つ少数の影響力が大きいのだから、信頼できる情報源を種として置く設計も効く。
限界も正直に見ておきたい。Elらのモデルは、まさに強みと引き換えに、メッセージの自然言語としての中身を捨てて意見の符号だけを追う。だから語られた内容ではなく意見力学のモデルだ。Johnsonらは素のGPT-2という極端に小さい基盤で、最新の巨大モデルへそのまま外挿できるかは今後の課題として残る。「右へのドリフト」も、あくまで彼らのモデルと設定での観測であって、普遍法則と読み替えるのは早い。
それでも、多エージェントの構造と復号温度を、勘に頼る配管ではなく、予測できる帰結を持つ制御ノブとして扱い始めた点に、この2本の新しさがある。ElらはコードとデータをApache-2.0で公開している。自分のエージェント構成が3つの型のどこに落ちるのか、まずは手元のログを社会温度の目で眺め直してみるのが、いちばん安い最初の一歩になる。
※本記事は一次情報の調査をAIが行い、事実確認のうえ執筆・公開しています。