Las cajas de arena estáticas son insuficientes: modelar la complejidad social requiere coevolución abierta en simulaciones multiagente basadas en modelos de lenguaje.

Resumen

¿Qué pasaría si los agentes artificiales no solo pudieran comunicarse, sino también evolucionar, adaptarse y transformar sus mundos de maneras que no podemos predecir completamente? Con los modelos de lenguaje (llm) impulsando ahora sistemas multiagente y simulaciones sociales, estamos presenciando nuevas posibilidades para modelar entornos abiertos y en constante cambio. Sin embargo, la mayoría de las simulaciones actuales siguen limitadas a entornos estáticos, caracterizados por tareas predefinidas, dinámicas limitadas y criterios de evaluación rígidos. Estas limitaciones les impiden capturar la complejidad de las sociedades del mundo real. En este artículo, argumentamos que los puntos de referencia estáticos y específicos de tareas son fundamentalmente inadecuados y deben ser reconsiderados. Revisamos críticamente las arquitecturas emergentes que combinan llm con dinámicas multiagente, destacamos obstáculos clave como equilibrar estabilidad y diversidad, evaluar comportamientos inesperados y escalar hacia una mayor complejidad, e introducimos una nueva taxonomía para este campo en rápida evolución. Finalmente, presentamos una hoja de ruta de investigación centrada en la apertura, la coevolución continua y el desarrollo de ecosistemas de IA resilientes y socialmente alineados. Hacemos un llamado a la comunidad para que vaya más allá de los paradigmas estáticos y ayude a dar forma a la próxima generación de simulaciones multiagente adaptativas y socialmente conscientes.

English

What if artificial agents could not just communicate, but also evolve, adapt, and reshape their worlds in ways we cannot fully predict? With llm now powering multi-agent systems and social simulations, we are witnessing new possibilities for modeling open-ended, ever-changing environments. Yet, most current simulations remain constrained within static sandboxes, characterized by predefined tasks, limited dynamics, and rigid evaluation criteria. These limitations prevent them from capturing the complexity of real-world societies. In this paper, we argue that static, task-specific benchmarks are fundamentally inadequate and must be rethought. We critically review emerging architectures that blend llm with multi-agent dynamics, highlight key hurdles such as balancing stability and diversity, evaluating unexpected behaviors, and scaling to greater complexity, and introduce a fresh taxonomy for this rapidly evolving field. Finally, we present a research roadmap centered on open-endedness, continuous co-evolution, and the development of resilient, socially aligned AI ecosystems. We call on the community to move beyond static paradigms and help shape the next generation of adaptive, socially-aware multi-agent simulations.

Las cajas de arena estáticas son insuficientes: modelar la complejidad social requiere coevolución abierta en simulaciones multiagente basadas en modelos de lenguaje.

Static Sandboxes Are Inadequate: Modeling Societal Complexity Requires Open-Ended Co-Evolution in LLM-Based Multi-Agent Simulations

Resumen

Support