Prompts to Proxies: Emulating Human Preferences via a Compact LLM Ensemble
本文介绍了“提示词转代理”（），这是一个具有成本效益的两阶段框架，它通过构建多样化的大语言模型（LLM）智能体池，并利用 L1 正则化回归进行聚合，以匹配目标人群数据，从而在无需微调或敏感人口统计信息的情况下，在社会科学研究中模拟人类偏好。
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，你想了解整个国家对某个特定话题的看法，比如“我们是否应该建设更多的公园？”或者“你对科学家的信任程度有多少？”通常情况下，你必须给成千上万个真实的人打电话，这既昂贵、缓慢，而且如果你需要快速测试一个新想法，有时甚至是不可能的。
这篇论文介绍了一种巧妙的方法，利用人工智能（AI）来充当这些真实的人。他们将这种方法称为提示词转代理（Prompts to Proxies，简称 P2P）。
以下是该方法的简单拆解，使用了日常类比：
问题所在：“平均化”的 AI 很乏味
如果你只是问一个标准的 AI 聊天机器人：“美国人对公园怎么看？”，它会给你一个非常保守、中庸的答案。这就像是让一个人代表整个人群发言；他们通常只会给出“平均”意见。但真实的群众是复杂的！有些人热爱公园，有些人讨厌公园，有些人并不在意，还有些人认为公园太贵了。单个 AI 聊天机器人往往会抹平这种多样性，使其成为一个糟糕的替代品。
解决方案：“品酒小组”法
作者并没有试图让一个 AI 变得完美，而是构建了一个系统，通过创建一群多样的 AI 角色并将其答案混合在一起。
把它想象成一个品酒小组。
- 目标： 你想要重现某种特定年份葡萄酒的精确风味特征（即真实人类人口的观点）。
- 错误做法： 试图寻找一颗能完全代表整瓶酒味道的葡萄。（这是其他方法尝试的做法，且通常会失败）。
- P2P 方法： 你收集大量不同种类的葡萄（不同的 AI 角色）。有些甜，有些酸，有些果香，有些带有泥土气息。然后，你按特定比例混合它们，以重现那种完美的年份风味。
P2P 如何运作（两个阶段的过程）
论文将其描述为一个两步走的过程：
第一阶段：构建“多样化团队”（主动禀赋生成）
首先，系统需要创建一个庞大的不同 AI 角色池。
- 诀窍： 系统并没有简单地要求 AI “随机生成”，而是使用了一种聪明的策略，称为基于熵的自适应采样。
- 类比： 想象一位厨师试图创造一份涵盖所有口味的菜单。如果他一直制作那些大家都喜欢的菜肴（比如白面包），他就学不到任何新东西。因此，厨师会观察人们意见不一致的地方（低熵），并专门要求厨房发明新的变化，以填补这些空白。
- 结果： 他们最终得到了 300 个不同的“人格”（例如：来自中西部的退休教师、城市里的年轻科技从业者、担心通货膨胀的农民）。这些不仅仅是随机的，它们经过精心挑选，以覆盖尽可能广泛的观点范围。
第二阶段：“调酒师”（基于回归的聚合）
现在，既然已经拥有了一支庞大且多样的 AI 角色团队，他们需要弄清楚在匹配真实人类数据时，每个角色应该占多少比例。
- 类比： 想象你有一份真实汤品的食谱（实际的人类调查结果）。你的储藏室里有 300 种不同的食材（你的 AI 角色）。你不需要全部 300 种，你只需要找到那份完美的少量食材，当它们混合在一起时，味道能和真实的汤一模一样。
- 数学原理： 系统使用一种数学工具（L1 正则化回归）来充当调酒师。它观察真实调查数据并说：“好吧，为了得到这个结果，我们需要 10% 的‘退休教师’的声音，5% 的‘科技从业者’的声音，以及 0% 的‘农民’的声音。”
- 神奇之处： 它在无需了解真实人物敏感隐私细节（如确切收入或种族）的情况下完成工作。它只是观察人们给出的答案，并找出哪种 AI 声音的组合最能匹配这些答案。
为什么这很重要
- 廉价且快速： 你不需要从头开始训练一个庞大且昂贵的 AI 模型。你只需使用现有的 AI 模型，并支付极低的费用（每次调查约 0.80 美元）来运行模拟。
- 准确： 当他们针对美国的调查（美国趋势小组）和全球范围内的调查（世界价值观调查）进行测试时，他们的“AI 混合物”比直接询问标准 AI 或使用其他常见方法更接近真实的人类观点。
- 对数据量要求低： 即使他们只有极少量的真实人类数据（不到其他方法所需数据的 3%），他们的系统仍然表现出色。
核心结论
这篇论文认为，你不需要一个“超级 AI”来理解人类社会。相反，你需要一个多样的 AI 演员阵容，以及一种聪明的导演方式，让他们共同表演，从而听起来完全像是真实的观众。这使得研究人员能够快速、廉价且准确地模拟公众舆论，而无需采访成千上万的真实人类或访问他们的私人数据。
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。