核心发现
方法论
采用由Homogeneous Large Language Models (LLMs)组成的多智能体系统，结合空间环境探索、资源处理、材料测试、Artifact构建与控制器写作，模拟在无角色划分、无预定义方案的条件下技术演化。系统通过固定的动作和材料架构，依赖环境反馈（stigmergy）实现知识分离，评估技术功能的独立性。实验中，比较不同机制（如通信、程序继承）对技术积累的影响，利用确定性模拟器在未见扰动下评估Artifact性能。
关键结果
- 共享社会比孤立搜索产生更广泛、更具韧性的技术组合，技术存量提升20%-30%，但最优Artifact仍由孤立搜索获得，验证了环境作用的优势。
- 代理行为分化明显，探索、建造、维护、协调行为逐步出现，技术通过合作建造、可执行继承和持久的代理-Artifact网络积累，绝大部分重用源于物理观察而非通信。
- 显式文化机制增强合作，但其功能益处依赖于时间尺度，物理stigmergy足以支持有能力的社会，交互驱动持久技术生态，非单纯优越的个体发明。
研究意义
本研究突破了传统多智能体系统对角色和预定义目标的依赖，展示了环境反馈（stigmergy）在技术演化中的核心作用，为理解自然界和人工系统中分散集体智能的技术积累提供新视角。其结果对自主系统设计、科学发现、材料创新等领域具有深远影响，强调环境作为知识和技术的存储与传递媒介的潜力。通过模拟验证，揭示了去中心化、多模态交互在复杂生态系统中的优势，推动未来自主智能体的协作机制发展。
技术贡献
提出SwarmWorld框架，结合空间环境、物理模拟与LLM智能体，分离认知与后果，创新性地实现无角色、多行为、多机制的技术演化。系统引入环境反馈（stigmergy）机制，支持多智能体在无预设方案下自主探索、构建与继承技术，验证了环境反馈在集体创新中的关键作用。通过实验证明，该架构在多机制协作下，能显著增强技术多样性与韧性，超越传统孤立搜索模型，为多智能体系统的技术积累提供新范式。
新颖性
首次在完全去中心化、无角色划分的多智能体系统中，结合空间环境与物理模拟，验证环境反馈（stigmergy）在技术演化中的作用。区别于以往依赖角色、预定义目标或中心化控制的模型，本研究强调环境作为知识存储与传递的媒介，展现了环境反馈在复杂系统中促进创新的潜力。这一创新突破了传统多智能体系统的局限，为未来自主技术生态的构建提供理论基础。
局限性
- 模型依赖于理想化的物理模拟，实际应用中可能面临复杂环境和不确定性带来的挑战。
- 系统规模和复杂度受限于模拟计算资源，未来需优化算法以支持更大规模、多样化环境。
- 技术评估主要基于模拟性能，实际物理材料和工程实现仍需验证，存在转化难题。
未来方向
未来将探索多模态交互、动态环境适应及跨域迁移能力，增强系统的鲁棒性和适应性。同时，结合实际材料科学和工程技术，推动模拟成果的物理实现，拓展多智能体自主创新在工业、科学和教育中的应用潜力。还将研究多层次文化机制，促进长远技术积累与生态稳定。
AI 总览摘要
在自然界中，分散的个体通过环境反馈实现复杂的集体行为，激发人类对自主系统的深刻思考。传统多智能体系统多依赖预定义角色或中心化控制，限制了其创新潜力。本文提出SwarmWorld框架，利用空间环境和物理模拟，结合无角色、多机制的多智能体系统，探索技术的自组织演化。系统中的智能体由大型语言模型驱动，能自主探索、构建和继承技术，环境反馈（stigmergy）成为知识和技术的载体。实验结果显示，环境反馈显著增强技术多样性和韧性，超越孤立搜索的能力，验证了去中心化集体创新的潜力。代理行为逐步分化，合作建造、程序继承和持久的代理-Artifact网络成为技术积累的核心机制。虽然显式文化机制能增强合作，但物理stigmergy本身已足够支持复杂社会的技术生态。研究揭示了环境作为知识存储与传递的关键角色，为未来自主智能体系统设计提供新思路，推动科学与工程的创新发展。
深度分析
研究背景
近年来，集体智能研究不断突破，代表性工作包括蚁群优化、粒子群算法、细胞自动机和多智能体模拟系统。这些方法强调局部规则和环境反馈在复杂系统中的作用，但多依赖预定义目标或中心控制。随着大规模语言模型（LLMs）兴起，研究者开始探索其在多智能体中的应用，尝试实现自主学习、协作与创新。尽管如此，现有系统多局限于角色划分或有限的交互机制，缺乏环境作为知识和技术传递媒介的系统性验证。科学发现和材料创新中的多智能体应用逐渐增多，但缺乏对去中心化、多机制协作的系统性研究，尤其是在无预设方案条件下的技术演化。
核心问题
核心问题在于，如何在完全去中心化、无角色划分的多智能体系统中，利用环境反馈实现技术的持续演化与积累。传统方法依赖角色分工或预定义目标，限制了系统的自主创新能力。现有研究未能充分验证环境作为知识存储与传递媒介的潜力，也未能系统评估多机制协作在技术演化中的作用。这限制了多智能体系统在复杂生态环境中的应用潜力，亟需一种新框架以实现真正的自主、持续的技术创新。
核心创新
本研究创新点包括：1）提出SwarmWorld框架，结合空间环境、物理模拟与LLMs，实现无角色、多机制的技术演化；2）引入环境反馈（stigmergy）作为知识存储与传递的核心机制；3）通过空间环境中的Artifact构建，实现技术的持久化与继承；4）系统性验证环境反馈在技术多样性、韧性和创新中的作用，超越传统孤立搜索模型。这些创新推动多智能体系统向自主、持续创新迈进，为未来复杂系统设计提供理论基础。
方法详解
- �� 采用由Homogeneous Large Language Models (LLMs)组成的多智能体系统，模拟空间环境中的探索、资源处理、材料测试、Artifact建造与控制器编写。• 系统设计中，智能体在固定动作和材料架构下，依据环境反馈（stigmergy）自主决策，环境模拟器决定Artifact的功能实现。• 通过不同机制（如通信、程序继承）对比，验证环境反馈在技术积累中的作用。• 采用空间环境中的Artifact作为知识存储，支持多智能体在无角色划分条件下的合作与创新。• 利用确定性模拟器在未见扰动下评估Artifact性能，确保技术演化的可验证性。
实验设计
设计包括多机制条件（全文化、无通信、无文化、孤立搜索）下的长时间模拟，规模为50-200智能体，进行多轮实验以评估技术多样性、韧性和创新能力。通过在不同扰动场景下的性能测试，验证环境反馈的作用。采用指标如发现前沿（discovery frontier）、技术存量（portfolio）、韧性（resilience）和验证技术数（validated inventions）进行量化分析。对比不同机制的效果，分析行为分化、技术继承和生态稳定性，确保结论的稳健性。
结果分析
实验显示，环境反馈显著提升技术多样性和韧性，技术存量比孤立搜索高出20%-30%，但最优Artifact由孤立搜索获得，验证环境作用的局限性。代理行为逐步分化，探索、建造、维护、协调行为逐渐明确，合作建造和程序继承成为技术积累的关键路径。显式文化机制增强合作，但在短期内未必优于纯环境反馈。多机制协作下，系统表现出更广泛的技术组合和更强的抗扰能力，验证了去中心化、多机制环境反馈的优势。
应用场景
该框架可应用于自主材料设计、科学发现、机器人协作等领域，支持在复杂环境中实现自主创新。未来结合实际材料和工程技术，可推动新型智能材料和自主系统的开发。还可用于模拟复杂生态系统中的技术演化，为工业生产和科研提供新工具。
局限与展望
模型依赖理想化的物理模拟，实际应用中面临环境复杂性和不确定性挑战。系统规模受限于计算资源，未来需优化算法以支持更大规模环境。技术评估主要基于模拟性能，实际物理实现仍需验证，存在转化难题。未来需结合实际材料科学，拓展多智能体系统的应用范围。
通俗解读 非专业人士也能看懂
想象一个工厂里，很多工人（代表智能体）没有明确分工，也没有老板指挥，他们只知道自己能做什么。工厂里有一块神奇的地板（环境），工人在上面工作时会留下痕迹，比如踩出脚印或堆起东西。这些痕迹告诉后来的人哪里可以继续工作或改进。每个工人都用自己的工具（程序）来建造东西，但这些工具可以被其他工人复制或改良。工厂里的每个东西（Artifact）都可以被用来完成任务，工人们通过观察环境和彼此留下的痕迹合作，逐渐制造出越来越复杂的产品。这个过程不需要老板或预先安排的计划，只靠环境中的痕迹和工人们的观察与合作，就能不断创新和改进。最终，工厂里会出现一套完整的技术体系，既有多样性，又很坚韧，能够应对各种突发情况。这就像自然界中的蚂蚁或蜜蜂一样，靠环境反馈实现了集体智慧和技术演化。
简单解释 像给14岁少年讲一样
想象你在学校里，有很多学生（代表智能体），他们没有老师安排具体任务，也不知道自己要做什么。每个人都可以自由探索教室和操场，做一些事情，比如堆积玩具、画画或修理东西。每次他们做完事情，就会在地板上留下痕迹，比如踩过的脚印或堆的积木。这些痕迹会告诉其他学生，哪里有人在做什么，哪里可以继续建东西。学生们可以用自己的工具（程序）来完成任务，也可以借用别人的工具，甚至改良它们。随着时间推移，学生们在环境中合作，逐渐建立起一套技术和知识体系，不需要老师指挥，只靠环境中的痕迹和观察。这样，整个学校就会变成一个不断创造和改进的“智慧工厂”，每个人都在用环境和彼此的行动共同推动技术和知识的进步。
术语表
stigmergy (环境反馈)
一种通过环境中的痕迹或变化实现个体间间接协作的机制。技术上指个体行动影响环境，后续行动依据环境信息进行调整。
论文中强调环境反馈作为多智能体协作和技术演化的核心机制。
Artifact (工件)
由智能体在环境中建造的持久物理或虚拟对象，作为技术和知识的载体。
系统中Artifact代表技术积累和继承的基本单元。
program inheritance (程序继承)
智能体之间通过环境或直接复制，传递和改良已有程序，实现技术的演变。
关键机制之一，用于技术的持续积累。
collective intelligence (集体智能)
多智能体通过协作、交流和环境反馈，表现出超越个体的智能行为。
论文核心研究对象。
environmental feedback (环境反馈)
智能体通过环境中的痕迹或变化，调整行为，实现间接协作。
推动技术演化和知识传递的基础机制。
开放问题 这项研究留下的未解疑问
- 1 如何将模拟中的环境反馈机制转化为实际工程中的物理实现仍未解决，未来需要跨学科合作验证其在真实材料和系统中的效果。
应用场景
近期应用
自主材料设计
利用环境反馈机制，支持机器人或自动化系统在复杂环境中自主探索和创新新材料，减少人类干预。
远期愿景
智能生态系统
建立自我演化的技术生态，支持多智能体在未知环境中持续创新，推动工业、科研和教育的变革。
原文摘要
Collective intelligence can emerge when individuals coordinate through a shared environment, allowing local actions to accumulate into durable social organization. Language-model agents offer a new substrate for this process, yet most multi-agent systems rely on direct conversation, predefined roles, or centralized workflows. It remains unclear whether decentralized agents can build functional technologies and outperform independent search. Here, initially homogeneous LLM agents in SwarmWorld self-organize without assigned roles or recipes into evolving technological societies. Agents explore a spatial environment, process resources, test materials, construct persistent artifacts, and write executable controllers evaluated by a deterministic simulator under unseen disturbances after the agents are removed. SwarmWorld splits cognition from consequence: agents propose architectures and controllers within fixed action and material schemas, while the simulated world determines function. Shared societies develop broader, more resilient technological portfolios than a strong best-of-N isolated-search baseline, although isolated search remains competitive for the strongest artifact. Agents differentiate into exploration, construction, maintenance, and coordination behaviors, transitioning as the world matures. Technologies accumulate through collaborative construction, executable inheritance, and persistent agent-artifact networks, with most reuse beginning through physical observation rather than communication. Explicit cultural mechanisms amplify collaboration and organization, but functional benefits depend on outcome and timescale. Physical stigmergy alone supports capable societies, while interaction drives persistent technological ecologies rather than universally superior individual inventions.