論文の概要: Static Sandboxes Are Inadequate: Modeling Societal Complexity Requires Open-Ended Co-Evolution in LLM-Based Multi-Agent Simulations

• arxiv url: http://arxiv.org/abs/2510.13982v1
• Date: Wed, 15 Oct 2025 18:05:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.568339
• Title: Static Sandboxes Are Inadequate: Modeling Societal Complexity Requires Open-Ended Co-Evolution in LLM-Based Multi-Agent Simulations
• Title（参考訳）: 静的サンドボックスは不十分である: LLMに基づくマルチエージェントシミュレーションにおいて、社会複雑性のモデル化はオープンエンディング共進化を必要とする
• Authors: Jinkun Chen, Sher Badshah, Xuemin Yu, Sijia Han, Jiechao Gao,
• Abstract要約: 静的なタスク固有のベンチマークは基本的に不十分であり、再考しなければなりません。 llmとマルチエージェントのダイナミクスをブレンドする新しいアーキテクチャについて、批判的にレビューする。 我々は、オープンエンドネス、継続的な共進化、レジリエントで社会的に整合したAIエコシステムの開発を中心とした研究ロードマップを提示する。
• 参考スコア（独自算出の注目度）: 6.560876722481282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: What if artificial agents could not just communicate, but also evolve, adapt, and reshape their worlds in ways we cannot fully predict? With llm now powering multi-agent systems and social simulations, we are witnessing new possibilities for modeling open-ended, ever-changing environments. Yet, most current simulations remain constrained within static sandboxes, characterized by predefined tasks, limited dynamics, and rigid evaluation criteria. These limitations prevent them from capturing the complexity of real-world societies. In this paper, we argue that static, task-specific benchmarks are fundamentally inadequate and must be rethought. We critically review emerging architectures that blend llm with multi-agent dynamics, highlight key hurdles such as balancing stability and diversity, evaluating unexpected behaviors, and scaling to greater complexity, and introduce a fresh taxonomy for this rapidly evolving field. Finally, we present a research roadmap centered on open-endedness, continuous co-evolution, and the development of resilient, socially aligned AI ecosystems. \textbf{We call on the community to move beyond static paradigms and help shape the next generation of adaptive, socially-aware multi-agent simulations.}
• Abstract（参考訳）: もし、人工エージェントが単にコミュニケーションするだけでなく、進化し、適応し、世界を完全に予測できない方法で作り直すことができればどうだろうか? llmはマルチエージェントシステムやソーシャルシミュレーションを推進しているので、オープンエンドの、絶えず変化する環境をモデリングする新たな可能性を見極めています。 しかし、現在のシミュレーションのほとんどは、事前に定義されたタスク、制限されたダイナミクス、厳密な評価基準によって特徴付けられる静的サンドボックス内で制約されている。 これらの制限は、現実世界の社会の複雑さを捉えることを妨げている。 本稿では、静的なタスク固有のベンチマークは基本的に不十分であり、再考する必要があると論じる。 我々は、llmとマルチエージェントのダイナミクスをブレンドする新興アーキテクチャを批判的にレビューし、安定性と多様性のバランス、予期せぬ振る舞いの評価、複雑さへのスケーリングといった重要なハードルを強調し、この急速に進化する分野に新しい分類を導入します。 最後に、オープン・エンディエンス、継続的な共進化、レジリエントで社会的に整合したAIエコシステムの開発を中心にした研究ロードマップを提示します。 私たちはコミュニティに静的パラダイムを超えて、適応的で社会的に認識された次世代のマルチエージェントシミュレーションを形作るよう呼びかけます。 ※

関連論文リスト

• Flexible Swarm Learning May Outpace Foundation Models in Essential Tasks [0.0]
  ファウンデーションモデルはAIを急速に進歩させ、彼らの決定が現実世界のドメインにおける人間の戦略を上回るかどうかという疑問を提起している。 一般的な課題は、複雑なシステムを動的環境に適応させることである。 モノリシックな基盤モデルは、それを克服する上で概念的な限界に直面している、と私たちは主張する。 対話型小型エージェントネットワーク(SAN)の分散アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-07T18:10:31Z)
• Population-Aligned Persona Generation for LLM-based Social Simulation [58.84363795421489]
  本稿では,社会シミュレーションのための高品質な集団対応ペルソナ集合を合成するための体系的枠組みを提案する。 我々のアプローチは、長期のソーシャルメディアデータから物語的ペルソナを生成するために、大きな言語モデルを活用することから始まる。 特定のシミュレーションコンテキストのニーズに対処するために,対象のサブポピュレーションに対してグローバルに整合したペルソナを適応させるタスク固有モジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-12T10:43:47Z)
• The Sound of Simulation: Learning Multimodal Sim-to-Real Robot Policies with Generative Audio [138.07247714782412]
  MultiGenは、大規模な生成モデルを従来の物理シミュレータに統合するフレームワークである。 容器や液体を注ぐ現実世界への効果的なゼロショット転送を実証する。
  論文  参考訳（メタデータ） (2025-07-03T17:59:58Z)
• LLM-Based Social Simulations Require a Boundary [3.351170542925928]
  大規模言語モデル(LLM)に基づく社会シミュレーションは明確な境界を確立するべきである。 本稿では、アライメント(実世界のパターンにマッチするシミュレーション行動)、一貫性(時間とともに一貫性のあるエージェント動作を維持する)、堅牢性という3つの重要な境界問題について検討する。
  論文  参考訳（メタデータ） (2025-06-24T17:14:47Z)
• Modeling Earth-Scale Human-Like Societies with One Billion Agents [54.465233996410156]
  Light Societyはエージェントベースのシミュレーションフレームワークである。 社会的プロセスはエージェントと環境状態の構造的遷移として形式化される。 10億以上のエージェントによる社会の効率的なシミュレーションを支援する。
  論文  参考訳（メタデータ） (2025-06-07T09:14:12Z)
• LLM-Augmented Agent-Based Modelling for Social Simulations: Challenges and Opportunities [0.0]
  大きな言語モデルとエージェントベースのシミュレーションを統合することは、複雑な社会システムを理解するための変換可能性を提供する。 LLM強化社会シミュレーションを体系的に開発するためのアーキテクチャと手法について検討する。 LLMとエージェントベースのシミュレーションを統合することは、研究者や科学者に強力なツールセットを提供すると結論付けている。
  論文  参考訳（メタデータ） (2024-05-08T08:57:54Z)
• CERN for AI: A Theoretical Framework for Autonomous Simulation-Based Artificial Intelligence Testing and Alignment [1.7586848727052424]
  本研究では,現実世界の環境を再現するバーチャルリアリティー・フレームワークにおける,革新的なシミュレーションに基づくマルチエージェントシステムについて検討する。 このフレームワークは、複雑な社会構造と相互作用をシミュレートしてAIを調べ、最適化する自動化された「デジタル市民」によって人口が占められている。
  論文  参考訳（メタデータ） (2023-12-14T23:48:51Z)
• Cycle-Consistent World Models for Domain Independent Latent Imagination [0.0]
  高いコストとリスクは、現実世界での自動運転車の訓練を困難にします。 本稿では,Cycleconsistent World Modelsと呼ばれる新しいモデルに基づく強化学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-02T13:55:50Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。