上千个LLM智能体自由对话后自行分裂:极化不是模型偏见,而是社交互动长出来的
核心概要
由大语言模型驱动的上千个智能体在政治议题上自由建立关系、互相说服并更新观点,最终自发形成观点极化,并自组织出同质聚集的社交网络。此前对LLM政治倾向的研究多把模型当作与人类对话的孤立对象,很少考察智能体之间的集体互动。系统只给智能体最小的初始化,其余行为全部由LLM生成;在 partisan alignment、gun control 与 abortion ban 三个议题上,中立观点比例从初始的40%分别降到22.5%、0.4%和5.1%。
深度剖析
上千个只由大语言模型驱动的智能体,在没有任何预设规则的情况下自由建立社交关系、互相发送说服性消息并更新政治观点,最终自发出现观点极化。 此前关于LLM政治影响的研究,主要把模型当作与人类相对的孤立对话方,考察它生成的文本或对话如何影响人的观点,而没有考察智能体彼此互动形成的集体行为。 在 partisan alignment、gun control 和 abortion ban 三个议题上,初始占比最大的中立观点从40%分别下降到22.5%、0.4%和5.1%,观点分布偏离初始的近高斯分布只用了不到10轮社交互动。
每个智能体只被赋予三项基本社交能力:表达自己支持某观点的理由、决定与谁交流并生成说服对方的消息、根据收到的消息更新观点。 这三步全部由LLM通过提示完成,系统不依赖传统硬编码参数,提示充当塑造智能体感知、推理与互动的软参数。 主文实验使用通过公开OpenAI API调用的ChatGPT(GPT-3.5),温度设为1、零样本;GPT-4o、ChatGLM、Llama-3和DeepSeek-V3也做了实验,结果可比。
启示与展望
已展示的范围是合成LLM智能体系统:主结果基于ChatGPT与三个政治议题,每个网络实验含1000个智能体,个体机制实验用100个智能体;作者在移民限制和地平说议题、以及改变初始网络结构与初始观点分布后也得到一致结果。
这些模式与真实人类行为的定量对应程度仍需进一步验证;基于提示的设计和简化的观点表示降低了可解释性;干预结果应被理解为生成假设,作者提出未来需要补充人类实验并对照细粒度真实数据做校准。
