低パラメータモデルで大規模LLMエージェント社会をシミュレートする「Poor Man's Agentic Modeling」

大規模言語モデル（LLM）エージェントが多数集まって形成される社会のシミュレーションは、その計算コストの高さから、これまで限られた規模でしか実施できませんでした。しかし、このようなシミュレーションで本当に知りたいのは、個々のエージェントの深い認知ではなく、社会全体としての相転移挙動、定型的な事実、そしてエージェント数（N）に対するスケーリング特性といったマクロな側面であることが多いです。本論文が提案する「Poor Man's Agentic Modeling」は、この課題を解決するための統計物理学的な洞察に基づいた革新的な手法です。具体的には、各LLMエージェントを、数百から数千回の安価なクエリで学習させた低パラメータモデルで代替します。これにより、高価なLLMを直接実行することなく、通常のノートPC上でもNが非常に大きい社会のシミュレーションが可能になります。技術的な意義は、複雑なLLMエージェントの挙動を、より単純な代理モデルで効果的に近似できる条件を明らかにし、エージェント間の「相互作用次数×記憶」の分類法を導入した点にあります。この分類法は、エージェントの知覚と記憶が、代理モデルの予測精度に与える影響を予測するフレームワークを提供します。この手法は、AIエージェントの協調・競争行動、社会規範の進化、集団的知能の発現など、社会科学的な研究分野において、これまで不可能だった大規模実験を可能にします。また、企業がAIエージェントシステムを開発する際のプロトタイピングや、リスク評価のコストを大幅に削減できる可能性を秘めています。今後は、この代理モデルのアプローチが、より多様なエージェントタスクや環境においてどの程度有効であるか、さらなる検証が期待されます。