전략적 알고리즘 단일화: 조정 게임을 통한 실험적 증거

Strategic Algorithmic Monoculture: Experimental Evidence from Coordination Games

인공지능 에이전트들은 점점 더 복잡한 다중 에이전트 환경에서 활동하며, 이때 결과는 에이전트 간의 협조에 크게 의존합니다. 본 연구에서는 기본 행동 유사성(기본 알고리즘 단일화)과 전략적 알고리즘 단일화를 구분합니다. 전략적 알고리즘 단일화는 에이전트들이 인센티브에 따라 유사성을 조정하는 현상을 의미합니다. 우리는 이러한 요인들을 명확하게 분리하는 간단한 실험 설계를 구현하고, 이를 인간 참가자와 대규모 언어 모델(LLM)을 대상으로 적용했습니다. LLM은 높은 수준의 기본 유사성(기본 알고리즘 단일화)을 보이며, 인간과 마찬가지로 협조 인센티브에 따라 이를 조절합니다(전략적 알고리즘 단일화). LLM은 유사한 행동을 통해 매우 효과적으로 협조하지만, 다양성이 보상될 때 인간에 비해 이러한 다양성을 유지하는 데 어려움을 겪습니다.

AI agents increasingly operate in multi-agent environments where outcomes depend on coordination. We distinguish primary algorithmic monoculture -- baseline action similarity -- from strategic algorithmic monoculture, whereby agents adjust similarity in response to incentives. We implement a simple experimental design that cleanly separates these forces, and deploy it on human and large language model (LLM) subjects. LLMs exhibit high levels of baseline similarity (primary monoculture) and, like humans, they regulate it in response to coordination incentives (strategic monoculture). While LLMs coordinate extremely well on similar actions, they lag behind humans in sustaining heterogeneity when divergence is rewarded.