AgentSociety es un marco de fuga de vanguardia diseñado para simular grandes poblaciones de agentes, cada una alimentada por modelos de idiomas grandes (LLM), para modelar de manera realista las interacciones complejas que se encuentran en las sociedades humanas. Aprovechando poderosas tecnologías de procesamiento distribuido, especialmente Ray, este proyecto logra simulaciones que involucran decenas de miles de agentes simultáneamente activos, cada uno integrado en entornos detallados y realistas que capturan comportamientos sociales, económicos y de movilidad.
Capacidades clave
Escala masiva y rendimiento rápido
- Admite grandes poblaciones: El marco demostró simulaciones con hasta 30,000 agentes, superando el tiempo de reloj de pared, es decir, administrar la sociedad virtual más rápido que el tiempo real1.
- Paralelización con Ray: Agentsociety utiliza el marco de rayos para administrar la ejecución paralela a gran escala de agentes, crítico para manejar interacciones masivas y no deterministas.
- Uso eficiente de recursos: Al agrupar agentes y compartir clientes de red dentro de los grupos, el marco reduce en gran medida la sobrecarga de memoria y conexión, superando los cuellos de botella de puerto y memoria comunes en las simulaciones distribuidas de escala.
Entornos sociales realistas
Agentsociety se diferencia mediante la integración de comentarios y restricciones altamente realistas, lo que permite a los agentes comportarse de una manera que refleje los sistemas sociales reales.
- Espacio urbano: Incorpora datos de mapas del mundo real (por ejemplo, de OpenStreetMap), redes de carreteras, puntos de interés y modelos de movilidad (caminar, conducir, transporte público) actualizó cada segundo1 simulado.
- Espacio social: Los agentes forman redes sociales que evolucionan, participando en interacciones sociales en línea y fuera de línea. La mensajería (incluida la moderación de contenido y el bloqueo de usuarios) se modela para simular las redes sociales y los patrones de comunicación del mundo real.
- Espacio económico: Implementa el empleo, el consumo, la banca, el gobierno (impuestos) y los informes macroeconómicos, todos impulsados por las decisiones de los agentes. Los agentes deben equilibrar los ingresos y el gasto, simulando el comportamiento económico realista.
Arquitectura y tecnología
Motor de interacción paralelo
- Ejecución distribuida basada en grupos: Los agentes se dividen en grupos administrados por los “actores” de Ray, optimizando el uso de recursos mientras mantienen un alto paralelismo, con solicitudes de red asíncronas que utilizan la reutilización de la conexión.
- Mensajes de alto rendimiento: Utilizando las capacidades de pub/pub/subcapacidades de Redis, los agentes se comunican de manera eficiente, admiten interacciones agentes de agente y agente de usuario (programa externo).
- Mecanismo de alineación de tiempo: El marco sincroniza la progresión del agente y el entorno, asegurando simulaciones consistentes y reproducibles a pesar de los tiempos de procesamiento variables de las llamadas de la API LLM.
- Utilidades integrales: Registro de simulación (a través de PostgreSQL y el almacenamiento de archivos locales), la grabación métrica (MLFLOW) y una GUI para la creación/gestión de experimentos y la visualización de resultados.
Resultados cuantitativos
Escalabilidad y velocidad
- Más rápido que en tiempo real: En un despliegue con 24 GPU A800 NVIDIA, las simulaciones de 30,000 agentes lograron una operación más rápida que la pared de la pared (por ejemplo, una ronda de iteración para todos los agentes ejecutados más rápido que el tiempo real equivalente al tiempo transcurrido).
- Escala lineal: Escala de rendimiento linealmente con recursos informáticos; El aumento de las GPU de servicio de LLM permite un mayor rendimiento de simulación, hasta los límites de servicio del backend del modelo de idioma.
- Métricas de ejemplo: En el experimento más grande (30,000 agentes, 8 grupos), una ronda de agente promedio se completó en 252 segundos, permaneciendo en tiempo real y con una tasa de éxito de llamadas de 100% de LLM. La simulación del medio ambiente y los tiempos de paso de mensajes permanecen muy por debajo del tiempo de inferencia de LLM, afirmando la eficiencia computacional del sistema.
Impacto de entornos realistas
- Autenticidad de los comportamientos de agente: La incorporación de simuladores de entorno realista mejoró significativamente la autenticidad y la probabilidad humana de los comportamientos de los agentes en comparación con los “simuladores de texto” basados en LLM-Prompt y varias líneas de base de trayectoria generativa.
- Puntos de referencia empíricos: En medidas como el radio de giro, las ubicaciones visitadas diarias y las distribuciones de la intención de comportamiento, los agentes de LLM con el entorno admitieron un rendimiento dramáticamente superado tanto a las líneas de base de modelo y clásico, coincidiendo estrechamente con los datos del mundo real.
Casos de uso y aplicaciones
El diseño abierto y los entornos configurables hacen que la agenteSociety sea una herramienta poderosa para:
- Investigación de ciencias sociales: Estudiar patrones sociales, fenómenos emergentes, movilidad e información distribuida.
- Planificación urbana y análisis de políticas: Evaluar las intervenciones en entornos simulados antes de la implementación del mundo real.
- Ciencia de gestión: Modelado de la dinámica organizacional, los cambios de la fuerza laboral y los comportamientos económicos.
Conclusión
Agentsociety se destaca como el primer marco de código abierto para simular de manera eficiente y realista las interacciones sociales a una escala sin precedentes. Su integración de los agentes alimentados por LLM con entornos paralelos y basados en datos lo posiciona como una herramienta crítica tanto para la investigación computacional como para el apoyo práctico de decisiones en la comprensión de la dinámica social compleja.
Mira el Papel y Proyecto. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro Subreddit de 100k+ ml y suscribirse a Nuestro boletín.
Asif Razzaq es el CEO de MarktechPost Media Inc .. Como empresario e ingeniero visionario, ASIF se compromete a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, MarktechPost, que se destaca por su cobertura profunda de noticias de aprendizaje automático y de aprendizaje profundo que es técnicamente sólido y fácilmente comprensible por una audiencia amplia. La plataforma cuenta con más de 2 millones de vistas mensuales, ilustrando su popularidad entre el público.
