💬 NLP

High Volatility and Action Bias Distinguish LLMs from Humans in Group Coordination

该研究通过“群体二分搜索”博弈实验发现，与大语言模型相比，人类在群体协调中表现出更强的适应性与稳定性，而大语言模型则因过度切换策略和对丰富反馈不敏感，导致难以实现有效收敛。

原作者： Sahaj Singh Maini, Robert L. Goldstone, Zoran Tiganj

发布于 2026-04-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Sahaj Singh Maini, Robert L. Goldstone, Zoran Tiganj

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

这篇论文就像是在做一场**“猜数字”的团体游戏实验**，目的是看看人工智能（大语言模型）和真人在团队合作时，到底谁更擅长“心有灵犀”。

研究人员发现，虽然现在的 AI 很聪明，但在需要大家“默契配合”的游戏中，它们和人类有着本质的区别。简单来说：人类擅长“稳”，而 AI 容易“躁”。

下面我用几个生活中的比喻来为你拆解这项研究：

1. 游戏是什么？（“盲人摸象”式的猜数）

想象一下，你们一群人（比如 10 个人）被关在一个房间里，每个人手里有一张纸。

目标：你们每个人都要写下一个数字，所有人数字加起来，必须正好等于一个神秘的“目标数字”（比如 80）。
规则：你们不能说话，不能互相看。
反馈：每轮结束后，主持人只告诉你们一个结果：“你们加起来的总数太高了"或者"太低了"，甚至更详细地告诉你们“高了 25"或“低了 10"。
挑战：你们需要根据这个反馈，调整自己下一轮写的数字，直到大家凑出的总数正好是目标。

2. 人类是怎么玩的？（像一支训练有素的乐队）

越玩越默契：人类玩了几轮后，会慢慢找到感觉。大家会形成一种默契：有些人变得“保守”，不再乱改数字；有些人变得“激进”，负责大幅调整。
懂得“刹车”：当大家离目标数字很近时，人类会小心翼翼，甚至有人直接保持不动（不再改数字），生怕自己一乱动就把大家带偏了。
利用信息：如果主持人告诉你们“高了 25"，人类能很精准地算出该怎么减，进步非常快。

3. AI 是怎么玩的？（像一群停不下来的“多动症”孩子）

研究人员让几个最先进的大模型（如 DeepSeek, Llama, Gemini 等）来玩这个游戏，结果发现它们的表现让人大跌眼镜：

停不下来的“手”：人类在接近目标时会“稳住”，但 AI 不管离目标多近，每一轮几乎都要改数字。它们就像一群停不下来的孩子，总觉得“只要我动一下，就能变好”，哪怕现在的状态其实已经很好了。
反应过激（Overreaction）：
- 比喻：如果主持人说“高了 10 分”，人类可能会想：“那我减 3 分试试，看看效果。”
- AI 则会想：“高了 10 分？那我必须减 30 分！”结果一下子又“低”了，下一轮又得“加 50 分”。
- 这就导致 AI 组的数字总和在目标数字上下疯狂震荡，像坐过山车一样，很难停下来。
记不住教训：人类玩完 10 局游戏，第 10 局通常比第 1 局快很多，因为学会了经验。但 AI 玩完 10 局，第 10 局和第 1 局几乎一样慢，它们似乎没有从过去的失败中真正学到东西。
信息没用：给人类更详细的反馈（比如“高了 25"），人类会如虎添翼；但给 AI 同样的详细反馈，它们几乎没反应，还是老样子乱猜。

4. 核心发现：为什么 AI 会输？

论文总结了两个关键区别：

行动偏见（Action Bias）：
- 比喻：就像在股市里，有些股民觉得“只要我频繁买卖就能赚钱”，哪怕什么都不做（持有不动）才是最好的策略。
- AI 也有这种毛病，它们认为“改变”就是“进步”。在需要“保持现状”来维持团队稳定的时候，AI 却非要动一下，结果反而破坏了团队的平衡。
缺乏“角色分工”：
- 比喻：人类团队里，有人当“稳压器”（不怎么改），有人当“调节器”（负责大改）。
- AI 团队里，所有人都在做同样的事（都在疯狂改数字），没有一个人愿意“躺平”或“稳住”。这种同质化的混乱，让大团队（比如 10 人以上）几乎无法完成任务。

5. 这对我们意味着什么？

这项研究告诉我们，虽然 AI 能写诗、能写代码，但在需要高度默契、动态调整、且不能直接沟通的复杂协作场景中，AI 还远不如人类。

未来的启示：如果我们想让人类和 AI 更好地合作（比如人类医生+AI 助手，或者人类司机+AI 自动驾驶），我们不能指望 AI 像人一样“自然”地配合。我们需要给 AI 设计特殊的“刹车机制”，教它们什么时候该动，什么时候该不动，甚至教它们学会“装傻”或“保持沉默”，这样才能真正发挥团队的力量。

一句话总结：
人类在团队中懂得**“该出手时才出手，该停手时稳稳停”；而现在的 AI 就像一群停不下来的陀螺**，转得太快，反而撞得头破血流，很难和大家一起达成目标。

论文技术总结：高波动性与行动偏差区分大语言模型与人类在群体协调中的表现

1. 研究背景与问题 (Problem)

随着大语言模型（LLMs）在多智能体系统（MAS）中的广泛应用，一个核心问题日益凸显：LLMs 是否具备与人类相当的自适应群体协调能力？它们是否使用了与人类相同的策略？

尽管人类在信息不完全和沟通受限的复杂环境中展现出卓越的自适应协调能力（如角色分化、对反馈的分级响应等），但现有的多智能体 LLM 系统在协作任务中常出现性能瓶颈，甚至不如单智能体基线。为了深入剖析 LLM 群体协调的内在机制，并找出其与人类行为的根本差异，本研究引入了一个经典的共同利益博弈任务——群体二分搜索（Group Binary Search, GBS）。

2. 方法论 (Methodology)

2.1 实验任务：群体二分搜索 (GBS)

任务定义： $n$ 个参与者（人类或 LLM 代理）需要协同行动，使所有参与者独立提交的数字之和等于一个隐藏的“神秘数字”（Target）。
约束条件：
- 无直接沟通：参与者无法交流，仅能依赖群体反馈。
- 反馈机制：每轮结束后，所有参与者收到相同的反馈。反馈分为两种类型：
  1. 方向性反馈 (Directional)：仅告知“太低”、“太高”或“正好”。
  2. 数值反馈 (Numerical)：告知具体的误差幅度（例如“低了 25"或“高了 10"）。
- 目标：在 15 轮内使总和匹配目标值。
实验设置：
- 参与者：对比人类数据（基于 Roberts & Goldstone, 2011 的基线）与多种 LLM（Deepseek-V3, Deepseek-V3.1-T, Llama 3.3, Gemini 2.0 Flash）。
- 规模：涵盖不同群体规模（2-17 人），分为小、中、大组。
- 提示策略：测试了零样本（Zero-Shot）和零样本思维链（Zero-Shot CoT）两种提示方式。
- 流程：每个实验会话包含 10 个连续游戏，交替使用方向性和数值反馈，以评估跨游戏的适应能力。

2.2 评估指标

研究不仅关注最终结果（解决轮数），还深入分析了机制层面的指标：

跨游戏学习 (Learning across games)：通过拟合解决轮数随游戏序号变化的斜率，评估模型是否从经验中学习。
反应策略 (Reaction Strategies)：分析群体对反馈的响应斜率，区分“反应不足”（Underreaction）与“反应过度”（Overreaction）。
切换行为 (Switching Dynamics)：统计参与者每轮改变猜测的比例（Switching Rate）及幅度，评估行为的稳定性。
行动偏差 (Action Bias)：考察模型是否倾向于每轮都采取行动（改变猜测），即使保持不动可能更优。

3. 主要发现与结果 (Key Results)

3.1 整体性能差异

人类优势：人类群体在所有群体规模和反馈类型下表现优异，且能显著利用数值反馈加速收敛（数值反馈下的解决轮数显著少于方向性反馈）。
LLM 劣势：LLM 群体在大多数情况下表现不如人类。
- 数值反馈无效：与人类不同，LLM 群体并未从更丰富的数值反馈中获益，甚至在某些情况下表现更差。
- 规模效应：随着群体规模增大，LLM 的性能下降更为剧烈，且常出现“天花板效应”（无法在 15 轮内解决）。

3.2 机制层面的关键差异

缺乏跨游戏适应 (Lack of Cross-Game Adaptation)：
- 人类：随着连续游戏的进行，人类群体显著改进策略，解决轮数呈下降趋势（负斜率）。
- LLM：LLM 群体几乎没有表现出跨游戏的学习能力，性能曲线基本持平甚至恶化。这表明 LLM 难以在长程交互中基于累积经验更新策略。
反应过度与高波动性 (Overreactivity & High Volatility)：
- 人类：倾向于“反应不足”（Underreaction），即根据反馈进行微调，随着接近目标，调整幅度逐渐减小，行为趋于稳定。
- LLM：表现出显著的反应过度（Overreaction）。它们虽然能识别正确的调整方向，但调整幅度过大，导致群体总和在目标值附近剧烈震荡，难以收敛。
过度切换与行动偏差 (Excessive Switching & Action Bias)：
- 人类：随着游戏进程，人类参与者倾向于“保持”（Stay）当前的猜测，特别是在大群体中，部分成员会自发固定角色以减少噪音。
- LLM：表现出极高的切换率（Switching Rate）。无论游戏进行到何种阶段，LLM 代理几乎每轮都会改变猜测。这种“行动偏差”（Action Bias）——即认为“改变”等同于“进步”——严重阻碍了群体的稳定性。
同质性与异质性：
- 即使是混合了不同 LLM 模型的群体，也未表现出性能提升。LLM 群体缺乏人类那种通过角色分化（Role Differentiation）来互补的自发组织能力。

4. 核心贡献 (Key Contributions)

揭示了 LLM 群体协调的根本缺陷：通过对比实验，明确指出 LLM 在群体协调中的失败并非源于对任务规则的理解不足，而是源于机制层面的行为模式差异：高波动性、反应过度、缺乏跨游戏学习以及行动偏差。
建立了行为诊断基准：提出了一套基于人类基线和机制指标（如反应斜率、切换动态、学习曲线）的诊断框架，用于量化和评估多智能体系统的协调能力。
挑战了现有假设：证明了在缺乏直接沟通、仅依赖群体反馈的纯协调任务中，LLM 难以像人类一样通过自发形成角色分工和稳定策略来实现高效协作。
指出了未来方向：强调了当前 LLM 架构在处理长程交互、管理反馈历史以及抑制过度反应方面的局限性，为设计更鲁棒的多智能体系统提供了具体改进方向（如引入反馈历史整合、调节反应性、稳定集体行为）。

5. 研究意义 (Significance)

理论意义：深化了对人类与 AI 在复杂社会互动中行为差异的理解，特别是揭示了“适应性协调”这一人类核心能力的计算难点。
应用价值：
- 对于多智能体系统开发：警示开发者不能简单地将 LLM 视为人类代理的替代品，必须针对其“行动偏差”和“反应过度”设计专门的抑制机制或架构。
- 对于人机协作 (Human-AI Teaming)：研究结果暗示，LLM 的“过度反应”与人类的“谨慎/反应不足”可能形成互补。未来的混合团队设计可以考虑利用这种差异来优化集体决策，例如让 LLM 负责快速探索，人类负责稳定收敛。
- 基准测试：GBS 任务及其分析指标为评估未来 LLM 在协作、博弈论及社会模拟领域的表现提供了新的、更具行为深度的基准。

总结：该论文通过严谨的对比实验证明，尽管 LLM 在单轮任务中表现尚可，但在需要长期适应、自我调节和角色分化的群体协调任务中，其内在的高波动性和行动偏差使其无法达到人类的协调水平。这一发现为缩小人机协调差距提供了关键的行为学诊断依据。