Belief Coevolution in a Social Network of Generalist and Specialist Large Language Models
本文通过引入 CoevolveSim 框架来证明，虽然社会角色和网络结构对群体层面的共识影响有限，但加入专家级大语言模型会显著放大信念转变并产生不对称影响，这表明现实的多智能体模拟需要模型多样性，而非仅仅是人格提示。
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
想象一个巨大的数字广场，成千上万个隐形的机器人正在那里聊天、争论，并试图决定什么是真理。这并非科幻小说；这是大型语言模型（LLMs）的新现实，它们是支撑我们今天使用的许多工具背后的超智能AI大脑。过去，科学家们研究这些AI如何解决数学问题或创作诗歌。但现在，它们开始聚在一起活动，形成了属于自己的小社会。一个大问题是：当这些AI机器人互相交谈时，它们的“信念”会如何变化？它们最终会像一群整齐划一点头的人群那样，对同一件事达成共识吗？还是会保持固执的差异？为了理解这一点，研究人员观察了三个主要要素：AI实际擅长什么（其专业知识）、它佩戴的名牌（如“医生”或“工程师”），以及谁与谁交谈的地图（社交网络）。
在这个数字城镇中，一项新研究引入了一个名为 CoevolveSim 的模拟系统。把它想象成一个大规模、受控的实验，研究人员设置了一个包含 1,280 个不同轮次的比赛。他们将AI机器人放入一个网络中，观察它们如何更新关于 20 个不同医学事实（例如“这种药能治好这种头痛吗？”）的观点。研究人员想要看看究竟是什么在起作用：是我们给机器人的那些花哨名牌吗？是它们所连接的网络形状吗？还是因为有些机器人实际上是在不同的专业数据上训练出来的？
结果是一个情节反转。研究人员发现，给机器人不同的名牌（比如告诉一个它是“讲故事的人”，另一个是“内科医生”）确实会改变单个机器人的想法。它们开始让自己的观点产生波动，频繁地改变主意。但关键在于：这实际上并不会改变整个群体的决策。人群最终还是停留在原地，基本没有变化。
然而，当研究人员用拥有不同大脑（即在医学或化学等特定领域经过专门训练的AI）的机器人进行替换时，整个城镇发生了转移。引入这些“专家型”机器人使群体观点的变化量增加了一倍多。突然之间，一些机器人变成了“意见领袖”，将其他群体成员拉向新的方向，而另一些则坚守阵地。事实证明，在这个AI世界里，机器人究竟是谁（其专业化训练）比我们如何称呼它要重要得多。
研究还发现，预测单个机器人的思想变化方式，与预测整个群体将达成何种共识是不同的。要预测单个机器人的下一步行动，你需要知道它的具体身份及其邻居是谁。但要预测整个人群将决定什么，你只需要知道在其中流动的观点总体构成。
简而言之，如果你想模拟一个真实的、多样化的AI智能体群体，你不能仅仅给它们不同的名字并寄希望于此。你需要给它们不同的大脑。所谓的“人格”或角色扮演只是一件戏服；真正的魔力来自于底层AI模型本身之间的差异。这表明，随着我们在未来构建更复杂的AI团队，模型本身的多元化将是塑造其集体决策的最强大力量。
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。