[논문 리뷰] War and Peace (WarAgent): Large Language Model-based Multi-Agent Simulation of World Wars

Wenyue Hua, Lizhou Fan외 6명|arXiv (Cornell University)|2023. 11. 28.

Computational and Text Analysis Methods인용 수 13

한 줄 요약

WarAgent는 LLM 기반 다중 에이전트 시스템을 사용하여 역사적 세계 대전과 전국시대를 시뮬레이션하고, 의사결정, 전쟁 발발의 유발 요인, 그리고 평화 가능성을 탐구한다.

ABSTRACT

Can we avoid wars at the crossroads of history? This question has been pursued by individuals, scholars, policymakers, and organizations throughout human history. In this research, we attempt to answer the question based on the recent advances of Artificial Intelligence (AI) and Large Language Models (LLMs). We propose extbf{WarAgent}, an LLM-powered multi-agent AI system, to simulate the participating countries, their decisions, and the consequences, in historical international conflicts, including the World War I (WWI), the World War II (WWII), and the Warring States Period (WSP) in Ancient China. By evaluating the simulation effectiveness, we examine the advancements and limitations of cutting-edge AI systems' abilities in studying complex collective human behaviors such as international conflicts under diverse settings. In these simulations, the emergent interactions among agents also offer a novel perspective for examining the triggers and conditions that lead to war. Our findings offer data-driven and AI-augmented insights that can redefine how we approach conflict resolution and peacekeeping strategies. The implications stretch beyond historical analysis, offering a blueprint for using AI to understand human history and possibly prevent future international conflicts. Code and data are available at \url{https://github.com/agiresearch/WarAgent}.

연구 동기 및 목표

• LLM 기반 다중 에이전트 시스템이 전략적 기획과 의사결정의 역사적 변천을 얼마나 충실하게 재현할 수 있는지 평가한다.
• 시뮬레이션 내에서 어떤 casus belli 발발 요인이 분쟁을 가장 결정적으로 촉발하는지 식별한다.
• 다양한 조건과 의사결정 과정에서 역사적 불가피성이 나타나는지 탐구한다.
• 역사 해석과 분쟁 예방 전략에 정보를 제공하기 위한 데이터 기반의 AI 보강 인사이트를 제공한다.]
• method:[

제안 방법

• 국가 에이전트, 비서 에이전트, 이사회(Board), 그리고 상태 관리, 검증 및 내부 점검을 담당하는 스틱을 포함한 4 구성의 WarAgent MAS를 구축한다.
• 리더십, 군사력, 자원, 역사적 배경, 주요 정책, 그리고 대중 사기를 포함한 6개 차원으로 포괄적인 국가 프로필을 설계한다.
• 발표성/공개성, 입력 유형, 필요한 응답 등의 특성을 갖춘 7개 범주(대기, 동원, 전쟁선포, 동맹, 비개입 조약, 평화, 메시지 발송)로 된 행동 공간을 구현한다.
• 가이드된 프롬프트가 각 국가 에이전트를 동 alliance/enemy 분석 및 행동 권고로 안내하고, 행동의 타당성과 일관성을 확인하는 비서 에이전트에 의해 강제된다

Figure 2: Map of World War I

실험 결과

연구 질문

• RQ1 RQ1: LLM 기반 MAS가 전략적 기획과 의사결정의 역사적 변천을 얼마나 효과적으로 재현할 수 있는가?
• RQ2 RQ2: 시뮬레이션 내에서 어떤 casus belli 발발 요인이 전쟁을 가장 결정적으로 촉발하는가?
• RQ3 RQ3: 역사적 불가피성은 정말 피할 수 없는가, 아니면 다른 조건에서 다른 결과를 낳는가?
• RQ4 RQ4: 에이전트 간의 상호작용으로 드러나는 통찰은 전쟁의 전개 요인과 조건을 이해하는 데 어떤 시사점을 주는가?

주요 결과

• WarAgent 프레임워크는 LLM 주도 에이전트를 활용한 복합 국제 갈등 모형화에 대한 경로를 보여준다.
• 본 연구는 시뮬레이션의 효과성, casus belli 가중치, 역사적 불가피성의 역할을 반복 시나리오 탐색을 통해 조사한다.
• 에이전트 간의 자발적 상호작용은 전쟁과 평화를 이끄는 촉발 요인과 조건에 대한 새로운 관점을 제공한다.
• 이 프레임워크는 데이터 기반의 AI 보강 분석을 촉진하여 분쟁 해결 및 평화 유지 전략에 정보를 제공할 수 있다.
• 익명화 전략은 LLM의 암기화를 방지하여 시뮬레이션의 무결성을 보존한다.

Figure 3: Map of World War II