Social World Models
本文介绍了社会世界模型（Social World Models, SWMs）以及一种名为 S3AP 的新型结构化表示形式，旨在显式地建模隐藏的精神状态与社会动态，从而显著增强 AI 智能体在多个基准测试中推理并应对复杂社会交互的能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你正走在一条繁华的城市街道上。你看到的不仅仅是建筑和红绿灯；你看到的是人。你注意到匆忙从身边经过的人看起来很焦虑，长椅上争吵的情侣显得很愤怒，而向顾客微笑的咖啡师则表现得很友好。你脑海中不断运行着一部隐形的秘密电影，猜测着他人的想法、感受以及下一步打算做什么。人类就是这样在世界上航行的：我们不仅构建关于周围物理对象的“心理地图”，还构建关于他人思想的地图。
长期以来，计算机一直擅长绘制物理世界的地图。它们知道如果掉落一个球，重力会将其拉下；也知道如果推门，门会打开。但一旦涉及到人，计算机往往会迷失方向。它们可以阅读一段关于争吵的故事，却难以理解隐藏的情感、不成文的规则，或者为什么有人会为了保护朋友而撒谎。它们看到了文字，却错过了机器中的“幽灵”——即驱动人类行为的信念、意图和情绪。这篇论文提出了一个宏大的问题：我们能否教会人工智能像我们一样，建立属于它自己的他人心理地图？
发表在 COLM 2026 会议上的这项研究背后的研究人员表示，答案是肯定的，但前提是我们必须改变向人工智能输入信息的方式。他们认为，仅仅将一段冗长、混乱的故事倾倒给计算机是不够的。相反，他们提出了一种组织社会信息的新方法，称为社会世界模型（Social World Models）。你可以这样理解：如果标准的 AI 阅读小说并试图猜测结局，就像是在黑暗的房间里通过摸索墙壁来导航。然而，一个“社会世界模型”则会打开灯光。它将故事拆解成一个结构化的清单：谁在这里？他们看到了什么？他们在偷偷想什么？他们刚刚做了什么？
为了实现这一目标，团队发明了一种特殊的格式，称为 S3AP（结构化社会模拟分析协议）。把 S3P 想象成一个翻译官，它能将一个混乱、流动的叙述转化为一个整洁、有序的仪表盘。与其用一段话描述“因为妈妈看到了，所以 Isla 很紧张”，S3AP 会将其拆解为清晰的字段：主体：Isla；情绪：紧张；观察：妈妈看到了我；行动：藏起游戏控制器。 这种结构化数据充当了 AI 能够真正进行推理的“社会蓝图”。
论文通过两种主要方式测试了这一构想。首先，他们给了 AI 一系列社会谜题（例如弄清楚一个群聊中谁知道什么信息），并要求它解决这些谜题。结果令人印象深刻：当 AI 使用 S3AP 蓝图时，它解决这些谜题的能力显著提升。在名为 FANToM 的一项极具挑战性的测试中，AI 的表现比之前的最佳尝试提高了 51%。更有趣的是，他们发现一个规模较小、能力较弱的 AI 可以充当“翻译官”来创建蓝图，然后一个更强大的 AI 可以利用该蓝图来解决问题，其表现甚至优于它独自尝试的结果。这表明，组织社会信息的能力与解决问题的能力是不同的，两者都是必不可少的。
其次，研究人员让 AI 参加了一个实时互动的游戏，比如与另一个 AI 进行价格谈判或结交新朋友。他们给了 AI 一个“预测器”工具：在 AI 说出任何话或做出任何行动之前，它会利用其“社会世界模型”进行模拟：“如果我说这句话，对方会有什么感觉？他接下来会做什么？”这个停顿思考并预判的简单步骤，让 AI 变得更具策略性。在竞争性场景（如讨价还价）中，AI 的成功率提升了高达 18%。
论文指出，通过赋予 AI 一种结构化的方式，去追踪不仅是人们做了什么，还有人们在想什么和感受什么，我们可以帮助它们以更高的智能应对社会情境。这并非解决所有社会问题的万能药，研究人员也承认仍存在挑战，例如确保 AI 不会误读情感。但研究结果有力地表明，当人工智能不再仅仅是阅读文字，而是开始构建文字背后的人的心理模型时，它会成为一个更优秀的社交伙伴。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。