Sandboxes Estáticos São Inadequados: Modelar a Complexidade Social Requer Coevolução Aberta em Simulações Multiagente Baseadas em LLMs

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

October 15, 2025

Autores: Jinkun Chen, Sher Badshah, Xuemin Yu, Sijia Han

cs.AI

Resumo

E se os agentes artificiais pudessem não apenas se comunicar, mas também evoluir, se adaptar e remodelar seus mundos de maneiras que não podemos prever completamente? Com os LLMs (Large Language Models) agora impulsionando sistemas multiagentes e simulações sociais, estamos testemunhando novas possibilidades para modelar ambientes abertos e em constante mudança. No entanto, a maioria das simulações atuais permanece restrita a sandboxes estáticas, caracterizadas por tarefas predefinidas, dinâmicas limitadas e critérios de avaliação rígidos. Essas limitações impedem que elas capturem a complexidade das sociedades do mundo real. Neste artigo, argumentamos que benchmarks estáticos e específicos para tarefas são fundamentalmente inadequados e precisam ser repensados. Revisamos criticamente arquiteturas emergentes que combinam LLMs com dinâmicas multiagentes, destacamos desafios cruciais, como equilibrar estabilidade e diversidade, avaliar comportamentos inesperados e escalar para maior complexidade, e introduzimos uma nova taxonomia para este campo em rápida evolução. Por fim, apresentamos um roteiro de pesquisa centrado na abertura, na coevolução contínua e no desenvolvimento de ecossistemas de IA resilientes e socialmente alinhados. Convocamos a comunidade a ir além dos paradigmas estáticos e ajudar a moldar a próxima geração de simulações multiagentes adaptativas e 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.