How Affect Propagates among LLM Agents: Emergent Emotional Contagion in Crowd Simulation
本文表明，多智能体人群模拟中涌现的情绪感染源于一个由大语言模型驱动的“感知-评价-表达”循环——在无需显式传递机制的情况下——其中警报以行进波的形式传播，且恐慌动态受空间布局、人格特征以及所使用的特定大语言模型后端的影响。
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
想象一个计算机不再仅仅是进行数值计算，而是具备类似人类推理能力的复杂性的世界。这就是计算社会科学这一令人兴奋的前沿领域，研究人员通过构建数字社会，来观察一群人工智能大脑是如何相互作用的。要理解这篇论文，你需要了解两个简单的概念。首先，情绪感染（emotional contagion）是现实世界中的一种现象，即情绪像感冒一样传播；如果你看到有人在笑，你可能会跟着微笑；如果你看到有人在恐慌，你的心跳可能会加速。其次，大语言模型（LLMs）是这项研究背后的超级智能AI大脑。它们是驱动这些数字角色去理解情境、决定对情境的感觉并据此采取行动的引擎，就像人类一样。为什么这很重要？因为当我们开始将AI智能体放入游戏、电影甚至应急模拟中时，我们需要知道：如果一个AI感到害怕，整个数字人群会陷入恐慌吗？以及，AI天生“紧张”或“冷静”是否会有影响？
这篇论文深入探讨了一个数字人群模拟，以观察恐惧、快乐和愤怒是如何在这些AI智能体之间传播的。研究人员构建了一个系统，其中每个智能体都有独特的个性（基于著名的“大五人格”特质，如神经质和宜人性），并且拥有由大语言模型驱动的大脑。研究团队并没有用硬编码的规则（例如“如果邻居尖叫，则尖叫”）来为AI编程，而是让智能体自行处理情境。每个智能体会观察其邻居，倾听他们的言语，并感受人群带来的压力。随后，它的AI大脑会对情境进行评估：“这很可怕吗？这很有趣吗？”基于这种思考，智能体会更新其内部状态变量，并决定如何表达它——也许是尖叫、奔跑或微笑。这种新的表达方式随后会被下一个邻居看到，从而产生连锁反应。
结果非常引人入胜。在这些模拟中，情绪确实会传播，但它们并不像简单的病毒那样传播。相反，它们像波浪一样移动。当研究人员在一条智能体队列中植入一个单一的恐慌“种子”时，恐惧并没有瞬间跳跃到所有人身上；它以大约每米1.04秒的速度向外波动，需要时间才能到达较远的人那里。研究发现，这种“情绪波”在很大程度上依赖于智能体之间的沟通方式。如果阻断他们观察面部或倾听声音的能力，恐慌几乎会完全停止。有趣的是，声音是恐慌最强大的载体，因为它可以在远处被听到；而手势（如遮挡自己）则是对每个被观察到的人而言最有效的。然而，最令人惊讶的发现是，人群的个性决定了一切。在由“神经质”（易焦虑）智能体组成的人群中，一个模糊不清的声音就会引发一场席卷整个群体的自我放大式恐慌。但在一个“稳定”的人群中，同样的声音会被忽略。同样地，当一个“挑衅者”试图挑起争端时，一群“不愉悦”的智能体会变得愤怒，而普通人群则只会感到害怕。
研究人员还测试了不同的AI“大脑”（后端模型）是否会改变结果。他们发现，只有当AI对性格差异足够敏感时，模拟才能奏效。有些模型过于“平淡”，以至于忽略了智能体是紧张还是冷静，在这种情况下，恐慌波根本不会开始。这表明，为了让AI人群表现得真实，底层的AI必须能够理解并对性格特征做出反应。该研究得出结论，虽然这些数字人群展示了复杂且类人的情绪传播模式，但它们仍然是模拟。研究结果表明，在多智能体系统中，一个智能体表达自己的方式会深刻影响其邻居，但结果完全取决于群体的“气质”以及运行其中的特定AI模型。这是一个既有趣又严肃的研究，探讨了数字大脑未来可能如何相互“传染”情绪，但这并不意味着这些机器本身拥有情感体验。
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。