1000个智能体反复交流后，观点逐渐走向极化

来源： 混沌巡洋舰

把 1000 个 AI 放进一张社交网络，让它们围绕争议问题反复交流，讨论会走向共识，还是逐渐分成阵营？清华大学等团队在模拟中发现，AI 会越来越多地与同立场伙伴交谈，集体观点也随之出现极化。

01　基本信息

Emergence of polarization in networks of large language model agents

大语言模型智能体网络中观点极化的涌现

作者：Jinghua Piao、Zhihong Lu、Chen Gao、Fengli Xu、Qinghua Hu、Fernando P. Santos、Yong Li、James Evans

主要机构：清华大学、天津大学、阿姆斯特丹大学、芝加哥大学、圣塔菲研究所

通讯作者：Fernando P. Santos、Yong Li、James Evans

期刊与日期：Nature Communications｜2026 年 10 月 8 日在线发表

论文版本：已接收早期公开版（Article in Press），后续将由最终编辑版替换

DOI：10.1038/s41467-026-78228-y

论文首页

02　研究背景

一个 AI 怎样回答问题，与一群 AI 长期相互交流后形成什么样的局面，是两个不同层次的研究问题。智能体可以解释自己的立场、选择交谈对象，也可以在收到新信息后更新观点；当这些行为反复发生，个体回答就与社交关系连接起来。

观点极化是本文关注的现象：参与者逐渐远离中性立场，形成更鲜明的阵营。现实社会中，人们选择接触哪些信息、如何理解相反论据，以及谁拥有较大影响力，都可能参与塑造这一过程。

此前一些研究已经让语言模型扮演人类的交谈对象，考察说服、调解或政治偏向。本文进一步追问：如果交谈双方都是大语言模型智能体，它们能否自行形成同立场圈子，又如何改变整个网络的观点分布？

研究的意义在于提供一个可控的人工系统：可以记录每轮交互，修改网络或提示词，再观察集体结果怎样变化。它的研究对象是模拟中的 LLM 智能体，结果能否定量对应真实人群，仍需外部验证。

03　研究方法

构建 1000 个智能体的网络。主文实验通过 API 调用 GPT-3.5，以不同的状态和交互记录形成不同智能体。三个主要议题分别是美国党派倾向、枪支管制和堕胎禁令。每个网络模拟包含 1000 个智能体；部分聚焦个体机制的实验采用 100 个。

从给定初始状态开始。作者将立场设为近似钟形分布，初始中性立场约占 40%，并用 Watts–Strogatz 模型生成初始网络。系统随后让智能体生成论据、更新联系和改变立场；主设置没有预先赋予详细的人口身份或人生经历。

每轮交互包含三个环节。首先是自我表达：为当前观点生成支持理由；其次是交流：决定继续联系已有伙伴，或与随机遇到的新伙伴交谈，并生成劝说信息；最后是观点更新：根据收到的信息调整立场，再解释新的理由。

这套过程没有预先写入“只和同立场者交谈”的硬规则，但交互任务、劝说目标和更新方式都受到提示词设计约束。因此，所谓自主互动，发生在作者设置的模拟框架内。

怎样量化立场？智能体自报观点，被记录为左、中间偏左、中性、中间偏右、右五档，对应 −2、−1、0、1、2。作者将各智能体距离中性位置的平均值作为极化指标，范围为 0—2；值越大，表示立场平均越远离中性。阵营是否均衡，则需要另看分布。

论文还报告了 GPT-4o、ChatGLM、Llama-3 和 DeepSeek-V3 等模型，以及不同初始网络、立场分布和温度设置下的补充实验。主文图表所展示的结果仍以 GPT-3.5 设置为主。

04　主要发现

1．反复交流后，中性立场明显减少

在最初的网络实验中，观点分布在不到 10 轮交互后就开始明显偏离初始状态。到最后，不同议题都出现了中性立场减少、左右阵营扩大的现象。

具体而言，中性立场从初始约 40%，分别降至党派倾向议题的 22.5%、枪支管制的 0.4%、堕胎禁令的 5.1%。这三个数字来自不同议题的最终分布，不能合并成一个统一的“AI 极化率”。

图 1 的 a 面板画出交互流程；b 展示各类立场的占比怎样随轮次变化；c、d 对照初始与最终分布。这里能同时看到，中间区域收缩，以及左右阵营之间并不完全平衡。

图 1｜智能体交互流程与三个议题的观点演化

原始设置中的最终分布偏向左侧。作者因此没有直接把它当作理想的人类社会缩影，而是继续检查：智能体是否始终遵守了自己被赋予的立场？

2．先让 AI 检查前后矛盾，观点极化仍然出现

作者设计了一个成对交互实验：让两个起初持同一立场的智能体交谈，检查它们生成的理由、信息和更新后的观点是否一致。部分智能体会出现“立场是一档，理由却支持另一档”的情况，右侧立场的智能体也更容易向另一侧转移。

为改善这种自我不一致，研究加入了自我检查：智能体生成信息后，检查内容是否与当前立场一致；更新观点时，也检查是否与收到的信息相容。发现矛盾后，再重新生成。

按照作者基于立场转移矩阵定义的不一致指标，自我检查使不同议题下的不一致程度下降了 9.4%—52.2%。加入这一策略后，左右阵营的分布更加平衡，极化现象仍然存在。

图 2｜自我不一致检查、自我调节策略与调节后的观点分布

这一结果说明，观察到的集体分化不能全部归结于原始设置中的单边漂移。与此同时，自我检查只是提高表达和更新的内部一致性，并未证明智能体已经没有偏向，或已能准确代表真实人群。

3．同立场互动增多，网络逐渐形成圈子

随着轮次增加，智能体更频繁地与同阵营伙伴交谈。不同议题的模拟网络中，最终约 48.5%—88.3% 的互动发生在同阵营智能体之间。作者将这一变化称为同质性聚集（homophilic clustering），可以直观理解为“更愿意跟相似的人来往”。

图 3 的 a 面板记录同阵营互动比例的上升；b 展示网络结构的变化。以堕胎禁令议题为例，原本混合的联系逐渐呈现出两个立场不同的群体。

网络与观点在这里是一起变化的：谁愿意继续与谁交谈，会改变后续接触到的论据；新的论据又可能影响立场，以及下一轮联系谁。作者没有用固定交友规则直接规定最终圈子，但模拟中的选择与更新过程仍由语言模型和提示词共同产生。

图 3｜同立场聚集、接触不同观点的变化与个体机制比较

同阵营交流也可能加深立场。图 3c 显示，与同阵营但更激进的伙伴接触后，智能体更容易沿原有方向变得激进，这种行为与研究中讨论的回音室效应相符。

接触相反观点的结果并不统一。图 3d 中，跨阵营交流没有在所有情形下降低极化，部分情形反而增加了极化。作者将其描述为与“反弹效应”相符的模式，也指出真实人群中的相关效应存在异质性与理论争论。

图 3e—g 则通过配置不同的个体倾向和有影响力的智能体，比较整体指标的变化：更强的选择性接触、确认偏误及非中性的影响者信息，都可能加深模拟系统的极化。这里的平均值和误差条使用了最后五个时间步上的指标，统计单位应按原图注理解。

4．五种干预都有变化，效果取决于改了哪一环

作者进一步在已经形成极化的系统中，从第 35 轮开始实施干预，跟踪到第 40 轮，并与原系统比较。干预分为网络与个体两个层面。

网络层面有两种。随机互动（RI）让智能体随机交谈，打散原有聚集；温和的反对立场互动（MOI）则限定它们只接收来自温和对方阵营的信息。

个体层面有三种。弱化选择性接触（NSE）鼓励智能体与多样立场交流；弱化确认偏误（NCB）通过提示词让它们更开放地接受不同意见；中性影响者信息（NES）引入向全体发送中性信息的高影响力智能体。

图 4｜五种网络与个体干预对极化指标和同阵营互动的影响

在这套已极化的模拟设置里，五种策略都得到极化指标下降的结果，但幅度不同。弱化确认偏误和引入中性影响者信息的降幅较大，分别为 11.8% 和 8.8%。这些百分比针对本文的极化指标与比较系统，并非真实社会的干预成功率。

单纯鼓励多样接触的 NSE 策略效果有限。作者解释，已趋于稳定的网络结构可能使这一提示不足以带来足够的新意见。网络层面的策略则更直接地改变了交谈对象，同阵营互动明显减少，但立场改变相对有限。

这个比较提示了一个可进一步检验的问题：遇到不同意见，与愿意重新考虑不同意见，是两种可以分别干预的过程。哪一种更有效，还取决于系统此前如何形成、干预何时开始，以及具体如何实现。

05　研究结论

这篇论文展示了：AI 的集体观点会随着交谈对象和观点更新过程共同演化，同立场圈子与极化也能在模拟中形成。研究关注的风险因而扩展到了持续交互的智能体网络，以及这些网络可能出现的集体行为。

对多智能体研究而言，它提供了一种实验思路：记录谁与谁交谈、交流了什么理由、立场怎样变化，再分别调整网络关系和个体更新方式。这样的合成试验场有助于比较假设，也能帮助发现单看一次回答时不容易看到的系统行为。

解读需要保留三个边界。第一，主要图表依赖特定模型、提示词和议题，其他模型的补充结果不能自动扩大为所有 AI 都会如此。第二，五档自报立场和离中性的距离，是对复杂意见的简化，不覆盖情绪、身份认同和真实政治行为的全部维度。第三，部分统计量来自时间步上的重复观察，应与独立重复模拟或人群样本区分。

网络呈现出与人类研究相似的模式，并不等于已验证它能准确预测真实人群。作者明确将干预结果定位为产生假设的证据；提示词中的“更开放”也不能直接换算成现实中可实施的人类行为改变。

下一步需要把这些模拟结果与细粒度的人类数据、受控实验及系统校准相互对照。对这篇论文最合适的理解，是看见了网络化 AI 的一种集体演化可能性，也获得了一组值得继续验证的问题。

文献来源：论文原文 · 数据与代码

图片来源：Piao 等，Nature Communications（2026），论文首页与 Fig. 1—4。保留原图注；图 3 原图与跨页图注拼接。

图表授权：© 作者 2026，CC BY 4.0。许可说明

整理：柠檬城市科研局