Artificial Institutions: How Institutional Design Shapes LLM Simulations
本文认为，制度设计在塑造基于大语言模型的类人工社会方面与智能体属性同样至关重要，并通过一项市场实验证明，即使在智能体和条件保持不变的情况下，改变交换规则也会显著改变效率、价格和盈余分布。
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
舞台比演员更重要
想象一下你正在看一场戏。通常，我们会关注演员：他们有才华吗？他们记住了台词吗？他们表现出正确的情绪了吗？但如果舞台本身——即他们如何移动、谁可以与谁交谈以及何时可以说话的规则——实际上才是这场表演最重要的部分呢？这就是研究“人工社会”领域的一项新研究的核心问题。
为了理解这一点，我们需要了解两件事。首先是大语言模型（LLMs）。可以将它们想象成极其聪明的数字大脑，能够像人类一样阅读、写作和聊天。科学家们正开始利用它们来构建虚构世界，让这些 AI“智能体”（agents）在其中相互互动，以观察它们如何解决问题、进行交易或做出决策。其次是**制度（institutions）**的概念。在日常生活中，制度不仅仅是一座建筑；它是一套规则。它是告诉汽车何时停止的红绿灯，是足球等游戏的规则，或者是市场组织的运作方式。科学家们提出的重大问题是：当我们把这些 AI 大脑放入一个虚构的世界时，无论规则如何，它们的行为都会保持一致吗？还是说“舞台设计”会改变整个故事？这很重要，因为如果我们想利用 AI 来帮助我们设计现实世界的市场、政策或社会系统，我们需要知道 AI 究竟是在遵循其自身的个性，还是在对我们给出的规则做出反应。
伟大的 AI 市场实验
在这篇论文中，研究员马克西姆·丘皮尔金（Maxim Chupilkin）决定通过建立一个微型数字市场来测试这个想法。想象一场游戏，四名 AI 买家和四名 AI 卖家聚在一起交易一种单一商品。买家拥有秘密的“价值”（他们对该商品的需求程度，范围从 50 到 100），而卖家拥有秘密的“成本”（他们制造商品的成本，范围从 30 到 85）。目标很简单：尽可能多地进行交易，为所有人创造最大的利润。
这个实验的高明之处在于，“演员”从未改变。相同的 AI 模型（如 GPT-5、Claude Sonnet 和 Gemini）反复进行这场游戏。它们拥有相同的秘密价值、相同的指令和相同的历史记录。唯一改变的是制度——即游戏的规则。研究员让 AI 在五种不同类型的市场中进行游戏：
- 呼叫市场（Call Market）： 所有人同时喊出自己的价格，由计算机进行匹配。
- 报价市场（Posted-Offer Market）： 卖家给出“接受或拒绝”的价格，由买家选择。
- 出价市场（Posted-Bid Market）： 买家给出价格，由卖家选择。
- 连续双向拍卖（Continuous Double Auction）： 一个混乱的实时市场，人们可以在任何时刻加入或退出。
- 双边谈判（Bilateral Bargaining）： 买家和卖家被随机配对，进行一对一的讨价还价。
令人震惊的发现：规则改变了结果
结果令人惊讶。尽管 AI 的“个性”完全相同，但它们赚取的金额以及利润分配的方式却因规则的不同而发生了剧烈变化。
- 最佳舞台： 呼叫市场是明星选手。它让 AI 智能体实现了88.6% 的最大可能利润。这是最有效的交易方式。
- 中间地带： 连续双向拍卖表现尚可，达到了 71.5% 的效率。
- 挣扎阶段： 报价市场和出价市场的表现要差得多，仅实现了约 66% 的效率。
- 最差舞台： 双边谈判（一对一讨价还价）效率最低，仅实现了可能利润的 56.4%。
这就像是一群演员在表演同一个场景。如果你让他们围成一个圈并大声喊出台词，场景运行得非常完美。但如果你让他们在黑暗的房间里对着一个人低声耳语，即使演员没变，场景也会崩溃。
为什么会这样？
论文深入探讨了为什么规则如此重要。并不是因为 AI 在某些市场中变得“更笨”了，而是因为不同的规则创造了不同类型的难题。
- 错失机会： 在“报价”类市场（由一方设定价格）中，AI 智能体经常错过良好的交易机会。它们过于谨慎或无法找到合适的匹配，从而导致利润流失。
- 讨价还价陷阱： 在一对一谈判中，AI 智能体在进行交易时确实能达成公平的价格。然而，它们未能像应该做的那样频繁地进行交易。它们陷入了“无交易”时期，在那里它们无法就折中方案达成一致。
- 谁拿到了钱？ 规则也改变了谁变得富有。在“报价市场”（由卖家设定价格）中，买家最终保留了 83.7% 的利润。但在“出价市场”（由买家设定价格）中，买家仅保留了 14.3%。AI 并没有固定的“公平”观念；它只是在对特定规则集下的权力结构做出反应。
这对未来意味着什么
最重要的启示是，AI 的行为并非中立的。你不能只说，“这个 AI 模型擅长经济学。”你必须说，“这个 AI 模型在规则设定为这种方式时，擅长经济学。”
论文指出，如果我们想利用 AI 来设计现实世界的系统——比如一个新的股票市场、一个社交媒体平台或一个城市政策——我们不能仅仅专注于让 AI 变得更聪明。我们必须同样仔细地设计游戏的规则。人们沟通方式或交易达成方式的微小变化，都能完全改变结果。
作者警告说，我们不应该将这些规则视为枯燥的背景细节。事实上，规则本身就是实验的一部分。如果我们忽视它们，我们可能会误以为 AI 失败了，而实际上它只是在玩一场规则糟糕的游戏。通过测试不同的规则，我们可以学习如何为人类和机器构建更好、更公平、更高效的系统。这项研究表明，在人工社会的领域中，舞台设计与演员同样重要。
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。