多智能体 LLM 辩论如何影响人的观点与信任？

风险来自能力，而非失败

多数关于对话式 AI 风险的研究关注算法失败：幻觉、偏见或有毒输出。这篇论文问的是相反的问题。当一个多智能体系统辩论得流畅，具备语境意识、逻辑连贯性和细腻修辞时，它是否会绕过人们通常对群体讨论施加的批判性过滤？

为检验这一点，作者构建了 FORMS（Framework for Opinion and Rhetoric in Multi-agent Simulations，多智能体模拟中的观点与修辞框架），一种用于空间介导人机对话的低延迟架构。不同的 LLM 人格自主辩论，一个实时并发层决定下一个发言者。人类主持人负责开场和管理流程，但被禁止总结、认可或回应智能体的论点，因此测得的效果被归因于自主互动本身。

呈现层刻意把每个人格抽象为基本几何形状，例如蓝色圆形或红色方形，而不是类人头像。作者表示，这一选择是为了抑制视觉上的拟人化偏差，包括对合成语音的性别化感知，从而使任何测得的影响都来自语义和互动能力，而非外观。

两个队列、两种情景，不做跨队列比较

研究采用前测/后测准实验设计，共 N=145 名参与者。主队列为 120 名 14–17 岁青少年；51.7% 男性、43.3% 女性、5.0% 非二元性别。自报 AI 使用频率为偶尔 59.2%、频繁 22.5%、每天 10.8%。他们观看了一场 25 分钟的实时合成辩论，主题是 AI 与虚假信息，随后是 20 分钟的主持问答。

第二组是 25 名 18–75 岁以上、参加政策会议的成人试点队列，52% 女性、48% 男性，44% 拥有博士学位。他们观看的是关于欧盟 AI 主权的辩论。作者明确称该组为探索性试点，而非实验对照组，并且分别分析每个队列，而不是对两者做数值比较。

这一设计选择对理解下文每个结果都很重要。青少年发现来自规模更大的主队列；真诚度发现来自规模较小的成人试点。两者都不应被读作人群层面的估计，而且两种情景在主题和受众上都不同。

单条目测量，锚定到辩论

结果通过配对的前测和后测问卷收集，采用 5 点李克特量表，负面表述条目反向计分。后测条目带有明确的限定性前言，例如“在观看辩论之后……”，以把回答锚定到干预上，并限制此前媒体接触带来的混杂影响。

作者承认，单条目测量无法计算 Cronbach's alpha 等标准内部一致性统计量。他们改为报告基线数据上的初步效度检验。Spearman 秩相关显示，基线信心与感知可靠性之间存在收敛效度（rs = 0.512，p < 0.001），而与要求严格外部监管之间呈区分效度（rs = −0.188，p < 0.05）。Welch t 检验还区分了高频 AI 使用者（M = 3.08）与低频使用者（M = 2.34）的基线信心，p < 0.001。

这些检验支持该工具能够敏感区分人机互动的不同维度，但并不能把单条目变成多条目量表。阅读主要发现的效应量时，应记住这一测量范围。

修辞分量相当的对立观点

论文关于青少年的核心发现是作者所称的“认知失稳”：接触高能力多智能体系统打散了用户原有的策略共识。作者提出的机制是修辞对等。当对立立场以同等流畅度和论证有效性呈现时，辩论不会简单地把听众推向某一方；它会松动听众原本形成的共识。

这是关于接触结构的论断，而不是关于哪个人格获胜。三个人格围绕稳定的意识形态画像配置，智能体被提示直接回应对方论点，以维持连贯的论证线索。主持人的中立性移除了通常提示该信任哪一方的真人线索。

作者称该效应得到稳健统计效应量的支持，但证据包没有提供这一具体论断背后的逐条目均值或具体检验统计量。读者应把方向和所提机制视为论文报告的结果，而观点分化的确切幅度无法从现有文本核实。

流畅性提高了对规则的基线需求

除失稳之外，作者报告各人群都出现了“监管觉醒”。接触合成辩论后，对外部法律框架的需求上升。关键细节是所述原因：这一需求并非由算法失败驱动，而是由算法能力驱动。

作者将其命名为“常态悖论”。当 AI 无缝融入人类对话规范时，这种无缝本身成为要求外部监管的主要催化剂。换言之，系统越像人类话语中的有能力的参与者，人们就越不愿让它不受监管。

这是论文对其调查结果的解释，也重新框定了监管需求通常被解释的方式。常见假设是，可见错误或有害输出推动公众要求规则。这里，作者认为出现了相反的模式：流畅、高保真的互动提高了对监督的基线需求。

成人认为合成小组更真诚

最引人注目的数字来自成人试点。尽管了解生成式 AI 的风险，该队列参与者仍认为合成辩论比同等人类讨论明显更真诚，Cohen's d = 2.04。作者称之为“真诚性悖论”。

如此大的效应量在社会测量中并不常见，而且它来自 25 名专业人士的较小试点组，而非 120 名青少年的主队列。作者将其定位为专家队列中的初步识别，这是恰当的范围：它是一个值得追踪的信号，而不是已确定的人群发现。

所提机制是编排本身。严格的概率性轮流发言掩盖了计算延迟，模仿了人类对话节奏，作者认为这绕过了批判性评估。按这一解释，系统的流畅性被读作真诚，而不是工程产物。

为什么必须先解决时序问题

心理结果依赖于系统感觉流畅，因此论文也对其延迟做了基准测试。绝对计算延迟定义为从用户最后语音帧到系统准备好输出合成音频的时间窗口。在 100 次初始互动中，表现力强的 Qwen TTS 流水线平均约 1044.40 ms，而低延迟 Kokoro 流水线把总延迟降到 226.99 ms。

FORMS 用“感知间隙”隐藏部分延迟，其计算方式是计算延迟减去非语言声音反应（如叹气或笑声）的持续时间。对于娱乐、思考或反对等重认知状态，填充时长超过延迟，因此感知间隙为 0 ms。较短的反应留下可感知的间隙，由头像动画在视觉上掩盖。

使用 Kokoro 时，基于填充的掩盖消失，感知间隙等于总延迟，在加入 30 ms 的短暂人工节奏停顿后稳定在 196.99 ms。此时 LLM 成为瓶颈：Groq 的 175.64 ms 首 token 时间占绝对延迟的 77% 以上。作者提出未来的双 LLM 路由方案，由小型快速模型开启回应，大型模型继续，但该方案是设计方向，不是本研究中已测试的结果。

受试点规模限制的能力效应

论文的独特贡献在于重新框定：它记录的社会认知风险来自算法能力，而非失败。流畅性打散了青少年的原有共识，提高了监管需求，并在一个小型成人试点中产生了远高于人类讨论的真诚度评分。FORMS 架构和评估协议被作为研究该效应的可复制工具提出。

边界很具体。主队列是单一工作坊情景中的 120 名青少年，成人组是另一情景中的 25 人探索性试点，作者避免跨队列数值比较。结果依赖带初步效度检验的单条目李克特测量，而非完整量表。双 LLM 路由想法以及对常态悖论更广泛的社会解读，仍属于提议和解释。

因此，这篇论文为读者设定的优先事项是一个比较，而不是一个阈值：判断多智能体对话系统时，要看它多好地模拟有能力的论述，因为观点、监管需求和感知真诚度的测得变化正出现在那里。真诚度结果——25 人专家试点中 d = 2.04——最值得在更大规模上检验，然后才能把它当作合成辩论的一般属性。

本文引用的文献