Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM 에이전트가 사회 시스템 시뮬레이션에서 인간의 협력 역학을 얼마나 충실히 재현하는지 연구했습니다. 연구 결과, LLM 집단은 거시적 수준의 협력 패턴은 인간과 유사하게 나타내지만, 개별 수준의 이질성과 의사결정 규칙에서는 인간과 차이를 보이는 '거시-미시적 해리' 현상이 발견되었습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델 (LLMs)은 사회 시스템 시뮬레이션에서 에이전트로 점점 더 많이 사용되고 있지만, 이들의 행동을 인간의 의사결정을 충실히 대변하는 대리인 (proxy)로 해석할 수 있는 시점이 언제인지에 대해서는 여전히 불분명합니다. 본 연구에서는 LLM 에이전트를 직접적인 경험적 벤치마크, 즉 인간 참가자가 참여한 대규모 네트워크 죄수의 딜레마 (Prisoner's Dilemma) 실험과 비교 테스트합니다. 동일한 상호작용 프로토콜, 보상 구조 (payoff structure), 네트워크 토폴로지 (network topologies)를 사용하여 9개의 오픈 웨이트 (open-weight) LLM을 인간 데이터와 비교합니다. 선택된 모델은 협력의 초기 감소 및 후기 안정화를 포함하여 협력 역학 (cooperation dynamics)의 여러 거시적 수준 (macro-level) 특징을 재현합니다. 그러나 이러한 집계된 일치 (aggregate agreement)가 더 미세한 수준의 행동까지 균일하게 확장되지는 않습니다. LLM 집단은 개별 수준의 이질성 (individual-level heterogeneity)을 과소평가하며, 인간에게서 관찰되는 것과 다른 조건부 협력 (conditional cooperation) 패턴을 생성합니다. 일부 무작위 에이전트를 추가하면 미시적 수준 (micro-level) 일치의 일부 측면은 개선되지만, 의사결정 규칙 (decision rules)의 불일치는 제거되지 않습니다. 이러한 발견은 LLM 기반 사회적 에이전트에서 거시-미시적 해리 (macro--micro dissociation)가 존재함을 드러냅니다. 즉, 기저의 행동 분포와 메커니즘이 인간과 다르더라도 집단적 결과는 인간과 유사해 보일 수 있습니다. 이는 LLM 에이전트를 인간의 대리인으로 검증하기 위해서는 결과 수준의 일치뿐만 아니라, 집계된 역학, 개별적 이질성, 그리고 문맥 의존적 의사결정 규칙 전반에 걸친 비교가 필요함을 시사합니다.