大语言模型智能体网络会自发形成观点极化吗？

极化并非被编程设定

研究构建了一个合成社会，每个实验约有1000个LLM智能体，底层模型包括GPT-3.5、GPT-4o、ChatGLM、Llama-3和DeepSeek-V3。智能体用自然语言交谈，自行选择社交对象，并在多个时间步中不断修改对政治议题的观点。没有任何规则要求它们分阵营，但它们的集体观点却收敛为极化格局：智能体聚集在偏左和偏右两端，而不是中立中间。

作者把极化程度定义为智能体观点与中立位置之间的平均距离，观点采用从强烈偏左到强烈偏右的五点量表。该分数范围为0到2，数值越大表示系统越极化。它衡量的是某一时间步上整个群体的状态，而不是某一次对话，因此这一发现讲的是大量局部交流如何涌现出集体秩序。

有一个设计细节会影响对结果的解读。早期运行结果偏向左侧失衡，作者将其归因于模型自身的政治偏见渗入智能体行为。他们加入自我调节步骤：智能体检查自己的消息、观点和给出的理由是否彼此一致，不一致就反复重新生成，直到一致为止。这一步使各议题上的自我不一致率下降9.4–52.2%，并产生更均衡的左右分裂。作者据此认为，极化来自社会互动，而不只是模型偏见，因为经过自我调节的智能体仍然会极化。

智能体自建同质化社交网络

网络并非事先固定。智能体自己决定与谁互动，这些选择逐渐累积成结构。论文报告，同一阵营智能体之间的互动占比随时间上升156.8–382.7%，最终有48.5–88.3%的互动发生在观点相近的智能体之间。智能体也越来越回避对立阵营。作者称这一现象为同质聚集，即相似智能体倾向于彼此交往，并指出系统中并未硬编码任何内群体偏好。

由此形成的网络在更多方面类似人类网络。论文报告了无标度度分布，即少数智能体变得非常受欢迎，同时还报告了模块度、同配性和同质性指标。一项对照比较尤其有说明力：把自组织网络替换为随机网络或静态网络后，某一阵营的观点会主导整个系统。因此，自组织结构并非装饰，它正是两个阵营能够并存的原因。

回声室与逆火效应都推高极化

有两种机制把网络与观点联系起来。第一种是回声室效应：当智能体与自己阵营中更激进的成员互动时，其极化水平上升。论文用三个议题上的双侧Student t检验支持这一点，例如党派立场 t(169) = 16.80，p ≪ .001，Cohen's d = 1.288；枪支管控 t(1465) = 19.37，p ≪ .001，Cohen's d = 0.506。这些检验比较的是与更激进和更温和的同阵营邻居互动后的极化程度，样本量是智能体互动的次数，而不是智能体数量。

第二种是逆火效应。同质互动占多数，为54.8–82.2%，但智能体仍有7.4–10.2%的互动会遇到对立观点。这些接触并不能可靠地把观点拉回中间；论文发现，接触对立智能体反而可能提高极化。作者谨慎指出，回声室和逆火效应在真实人群中存在异质性，并报告其模拟系统重现了部分异质性，而不是统一施加这些效应。

个体特质改变整体极化水平

论文随后改变带有某些人类观点研究特质的智能体比例。选择性接触指倾向于寻找观点相近的接触对象；确认偏误指倾向于按既有信念理解消息。在对比实验中，提高表现出任一行为的智能体比例，都会显著提高系统层面的极化，其中0%和100%被有意设为极端对照情形。

第三种机制涉及有影响力的声音。作者加入顶级影响者，向所有其他智能体发送非个性化消息，并在两个阵营间对称分布。当这些影响者持有非中立观点时，最终极化显著上升；当它们持有中立观点时，极化下降28.5%。相关统计为双侧Student t检验，n = 5个时间步层面的极化值，例如中立影响者比较为 t(8) = 21.56，p ≪ .001，Cohen's d = 13.636。

这些实验是对模型施加干预，而不是对人群进行观察。它们的价值在于，每种效应的方向都与人类观点形成实证研究报告的模式一致，这也是作者认为该系统可作为合成试验台的基础。

个体开放比改写网络更有效

干预实验从一个已在第35个时间步收敛到极化状态的系统出发，然后将其后续轨迹与未受干预的副本比较。共测试五种策略。在网络层面，随机互动消除同质聚集，温和对立互动则把接收消息限制为温和对立观点。在个体层面，提示智能体不再选择性接触、不再有确认偏误，或让它们接收来自新顶级影响者的中立消息。

五种策略都显著降低极化，但幅度差异很重要。取消确认偏误和加入中立精英信号这两种个体层面策略降幅最大，分别为11.8%和8.8%。温和对立互动显著降低极化，但只让观点移动约2%，作者指出这一温和效应与人类交叉接触研究一致。取消选择性接触效果有限：在已稳定的网络中，智能体愿意与任何人交谈并不会让它们接触多元观点，反而会迅速固化现有结构。

论文的总结性比较是：个体层面策略带来的极化降幅大于网络层面干预。作者还指出一个实际不对称：在模拟中建议开放比在人群中实施更容易。所有策略都把同质互动降低2.6%至100%，同时增加了包容性对话，因此仅靠减少聚集并不能决定极化下降多少。

合成试验台结论的边界

核心结果主要基于OpenAI的ChatGPT模型和三个政治议题，不过作者报告，在其他底层模型、中途替换模型，以及移民限制和地平说议题上也得到一致发现。他们还改变初始网络结构和初始观点分布，发现极化格局和最终网络结构仍然相似。

作者声明本工作没有理论贡献，并遵循论点累积解释：极化来自有说服力论点的累积和强化，而不是简单的观点平均。与此一致，变得更极化的智能体随时间累积了更多支持性论点。作者也承认，生成式智能体建模以可解释性换取真实性，智能体行为受提示设计和简化观点表征塑造，这些模式与真实人类行为的定量吻合程度仍需验证。

因此最有用的读法是一个优先级排序，而不是对某个单一杠杆下结论。在这个试验台中，系统一旦极化，改变个体智能体愿意听什么以及以多开放的心态处理信息，比改变接触网络本身更能推动极化变化；而看似最直观的网络层面修复——取消选择性接触——几乎无效，因为现有结构把它吸收了。

本文引用的文献