Research

状態の「記述方法」がAIエージェント集団の同期を左右する——東京大学の研究が示す衝撃の実験結果

2026/09/26

同じ状態でも「表現次第」で集団行動は変わる

東京大学先端科学技術研究センターの江崎貴裕氏、井村直人氏、西成活裕氏らの研究チームは、言語モデルエージェントの集団が状態の記述形式だけで同期するかどうかが決まることを実験的に示した。論文はarXiv（arXiv:2608.06968）にて公開されている。

近年、価格設定エージェント、物流エージェント、ソフトウェア交渉エージェントなど、複数の言語モデルエージェントが同じ環境を共有して行動するケースが増えている。こうした集団では、個々の応答よりも「集団として整列するか、分断するか、協調に失敗するか」という集合的な結果が重要となる。各エージェントは世界そのものではなく、世界のテキスト記述に基づいて行動する。この記述方法は通常ソフトウェア内部で固定されており、実験変数として検証されることはほとんどなかった。

実験の設計——円環上の位相エージェント

研究チームは、この問いを検証するために意図的に単純なシステムを採用した。各エージェントは円上に位置（位相）を持ち、他のエージェントの相対位置のテキスト記述を読んだうえで「前進・停止・後退」の3択から1つを選ぶ。選択された行動は共有シミュレーションエンジンによって適用され、次のステップの状態が決まる。エージェントには同期するよう指示は一切与えられていない。

同じ状態（相対位置の24ビンヒストグラム）を、以下の3通りの形式で記述した。

Moments（円形モーメント要約）: 最初の3つの円形モーメントの実部・虚部、計6数値で表す簡潔な数値サマリー
Centers（ビン中心ヒストグラム）: 各ビンの質量をビン中心の値で示すヒストグラム
Intervals（区間ラベルヒストグラム）: 同じビン質量を区間ラベルで示すヒストグラム

CentersとIntervalsはビン質量が同一で、異なるのはラベルのみである。GPT（gpt-4.5-mini）では計122,400件、Claudeでも46,656件以上の有効応答を収集し、合計で507,112件の有効応答をもとに解析が行われた。

主要結果——GPTとClaudeで「逆転」が起きた

整列の度合いは極秩序パラメータ r₁（全エージェントが同じ位相に揃えば1、均等分散なら0に近づく）で測定された。

GPTの場合、結合強度 K=0.08 において最終的な平均秩序は Moments で 0.999、Centers で0.710、Intervals で0.382と報告されている。K=0.15 でも Moments が0.996 に達し、いずれの正の結合強度においても6回すべての試行で事前設定の高秩序閾値（r₁≥0.9）を達成した一方、Histogramsのいずれも1回も達成しなかった。

Claudeの場合はまったく逆の結果となった。K=0.15 では両ヒストグラムが全6試行でロックに成功し、Momentsはゼロ件だったと報告されている。K=0.08 では Moments が0/6、Centers が2/6、Intervals が5/6という結果だった。

さらに注目すべきは、同じ情報量を持つCentersとIntervalsの間でも結果が異なった点だ。ラベルを変えただけで集団の同期パターンが変化したことは、情報の損失だけでは差異を説明できないことを示している。

なお、K=0 （行動が運動に影響しない条件）では、すべての記述形式が同一の軌道を描くことが確認されており、シミュレーションエンジンと初期条件が適切に制御されていたことが検証されている。

制御入力実験——応答ルールの違いを分解する

集団実験では各記述形式が異なる状態列を生成するため、記述の効果と遭遇する状態の効果が混在する。そこで研究チームは固定・合成フィールドへの応答を繰り返し測定し、応答確率を直接推定する「制御入力実験」を実施した（GPT・Claude各25,920件の有効応答）。

GPT では、クラスター集中度を高めると記述形式ごとに応答曲線が大きく異なる変化を示した。Moments は強い方向性成分を保持し常に行動した。Centers は正弦成分の符号が逆転して全体的に後退を好む傾向を示した。Intervals は顕著な第2高調波成分を示し、第1正弦成分がほとんどなかった。

Claude の場合、ヒストグラムは全濃度で強い正の方向成分（a₁=1.23〜1.28）を保持したと報告されている。Moments も正の方向成分（a₁=0.94〜1.03）を持っていたが、第1成分の角度が約38°ずれており（K=12時）、余弦成分 b₁ が大きかった。研究チームはこの角度ずれが集団実験における非同期の候補説明になり得るとしながらも、実際に非同期を引き起こしたとは断定していない。

また、集団シミュレーション中に記録された実際の状態を凍結して各記述形式で提示する「リプレイ実験」（4,608件の有効応答）でも、記述形式の変更によって行動確率の分布が有意に変化した（平均ペアワイズ総変動距離=0.344、p=0.0002）。特に情報量が同一のCentersとIntervalsの間でも0.290という差（ブロックノイズの3.2倍）が確認された。

「観測マップ」は相互作用ルールの一部である

研究チームはこの一連の知見を「観測マップ（observation map）」という概念で整理している。物理的な状態をエージェントが読むテキストへ変換するルールは、個々の応答確率だけでなく、集団としての秩序形成に直接関わるという主張だ。

これは実用上きわめて重要な示唆を持つ。価格設定・物流・ソフトウェア交渉など複数のエージェントが連動する現実のシステムでは、状態の記述形式がソフトウェア実装の内部で固定されていることが多い。しかし本研究が示したように、その「固定された記述」こそが集団が整列するか分断するかを決める相互作用ルールの一部となっている。

単一の方向係数（a₁の符号）だけでは集合的結果を説明できなかったという点も重要で、プロンプト設計の効果を集団レベルで評価するには、個々の応答観察だけでは不十分であることが示唆される。

まとめ

東京大学の研究チームは、507,112件の有効応答を用いた大規模実験により、AIエージェント集団の同期・非同期はモデルや動力学の違いではなく、状態のテキスト記述方法だけで決定的に変わりうることを示した。GPTとClaudeで結果が逆転するという事実は、この依存性がモデル固有かつ非自明なものであることを強調している。マルチエージェントシステムの設計・評価においてプロンプトのフォーマット選択を実験的に検証することの重要性を改めて問いかける研究といえる。

出典: How a shared state is described determines whether AI agents synchronize