清华Nature子刊：上千智能体组网后自发站队，观点极化涌现

新智元报道

当数千个大语言模型智能体被连入同一个网络、彼此可以自由交流并不断更新观点时，会发生什么？

清华大学团队在《自然·通讯》（Nature Communications）上发表的最新研究给出了答案：在没有预设任何规则的情况下，这些智能体会自发地「站队」——观点逐渐分化成对立的两极，连接关系也随之重组为「物以类聚」的结构。

这一过程，正是群体智能研究中备受关注的「涌现」现象。

过去几年，大模型的能力边界被反复刷新——聊天、写代码、推理、决策。但绝大多数研究，都只盯着「单个模型」能做什么。

一个更根本的问题被忽略了：当大量智能体不再孤立，而是像一个个「节点」被连入网络、彼此交互、不断更新自身观点时，整个系统的行为会是什么？

这不再是单个模型能力的简单叠加，而是群体智能（collective intelligence）与多智能体系统（multi-agent system）的核心问题：智能体的集体行为如何涌现？是否会形成与人类群体类似的观点分化与极化？

图1：智能体系统的三阶段运行框架——自我表达、信息交流、观点更新，智能体在交互中动态调整连接关系。

为了回答这一问题，清华团队联合阿姆斯特丹大学、芝加哥大学、圣塔菲研究所等机构，构建了一个包含1000个大语言模型智能体的网络化系统，并系统对比了GPT-3.5、GPT-4o、ChatGLM、Llama-3、DeepSeek-V3五种主流骨干模型。

论文链接：https://www.nature.com/articles/s41467-026-78228-y

代码链接：https://github.com/tsinghua-fib-lab/LLM_for_Polarization

每个智能体围绕三个环节持续运行：

1. 自我表达——生成支持自身观点的理由；

2. 信息交流——自主决定与谁交流、传递什么信息；

3. 观点更新——根据收到的信息更新自身观点。

关键在于，智能体可以在交互中动态调整连接关系——与观点相近者建立连接、疏远观点相左者。系统采用近高斯分布初始化观点、Watts-Strogatz小世界网络初始化连接，除此之外不预设任何背景、记忆或行为规则。

研究聚焦三个长期存在观点极化的议题：党派立场、枪支管控、堕胎禁令，观点采用「左—偏左—中立—偏右—右」五级尺度。于是，研究者获得了一个可实时追踪的智能体网络，得以观察观点极化从萌芽到形成的完整演化过程。

观点极化「自发涌现」

图2：三个议题上的观点动态演化——初始近高斯分布的观点迅速分化，中立观点占比从40%大幅萎缩。

实验结果相当惊人：在短短不到10轮互动后，观点分布就从初始的近高斯形态迅速分化。

一个一致的规律在三个议题上都出现了：原本占比高达40%的中立观点大幅萎缩，分别降至22.5%、0.4%和5.1%——在长期的网络化互动中，维持中立立场变得异常困难。与此同时，离开中立位置的智能体自发地聚成两个阵营，形成明显的两极分化。

更重要的是，这一现象在五种骨干模型中都稳定存在，展现出跨模型的稳健性。

大模型也会「言行不一」

图3：自我不一致问题的评估（a/b）与自我调节策略的效果（c/d）。自我调节将自我不一致率降低9.4%–52.2%，并让左右阵营恢复平衡。

研究团队还发现了一个值得注意的技术问题：大模型智能体存在「自我不一致」——它们的观点、生成的理由、传递的信息之间可能相互矛盾。例如，一个声明「中立」的智能体，在自我表达时却流露出明显的左倾倾向。

这种不一致并非均匀分布：右倾智能体切换为左倾的概率显著更高（z=8.27），导致极化结果呈现左倾偏斜。

针对这一问题，团队借鉴班杜拉的自我调节理论，提出了一种自我调节策略：让智能体在生成信息后自我检查一致性，若不一致则迭代重生成，直到自洽为止。实验表明，这一策略将自我不一致率降低了9.4%–52.2%，并使左右阵营恢复平衡，更贴近真实分布。

网络物以类聚

图4：智能体网络的自组织行为——同阵营交互比例随时间的增长、网络结构的同质性聚集演化，以及回音室与逆火效应。

观点相似的智能体倾向于相互连接

具体而言，同阵营智能体之间的交互比例随时间增长了156.8%–382.7%，最终有48.5%–88.3%的交互发生在观点相近者之间。与此同时，智能体网络还演化出了无标度（scale-free）的度分布，少数「高连接度」节点获得大量关注。

更重要的是，这种网络结构反过来塑造了集体观点：接触更激进的同质智能体会显著加剧极化（回音室效应）；而即便少数智能体接触到对立观点（7.4%–10.2%），也未必能降低极化，反而可能加剧（逆火效应）。

数字实验场

图5：五类干预策略对极化水平与同质性交互比例的影响对比。个体层面的消除确认偏差（NCB）与中立精英信号（NES）降幅最大。

这项工作的价值，远不止揭示现象。研究团队进一步把系统当作「数字实验场」（synthetic testbed），在已经极化的系统上检验了五类干预策略：

• 网络层面：随机交互（RI）、适度对立交互（MOI）；

• 个体层面：消除选择性暴露（NSE）、消除确认偏差（NCB）、中立精英信号（NES）。

结果发现：在已经极化、网络结构趋于稳定的系统中，直接调整连接关系的作用有限——例如「适度对立交互」仅带来约2%的观点变化；相比之下，引导智能体更开放地处理不同观点的个体层面策略效果更明显，「消除确认偏差」与「中立精英信号」分别将极化水平降低了11.8%和8.8%。

这一发现的意义在于：过去难以在真实世界大规模、可控开展的干预实验，如今可以在一个安全、可重复的智能体网络里先行验证。

群体智能的可靠性与未来

这项研究也抛出了一个严肃的问题：当智能体从「个体」走向「网络」，系统的可靠性不再只取决于单个模型的能力，还取决于连接关系与信息更新方式。

个体层面的「正确」，并不保证群体层面的「可靠」。观点是否会走向两极、跨群体交互是否减少、同类信息是否被反复强化——这些都需要被纳入对多智能体系统的评估。

研究团队也坦言其边界：模拟出现类人模式，并不等于能够预测真实人群；模型、提示词与简化的观点表示仍会影响结果。但理解网络化智能体自身的集体动力学，正是构建更可靠多智能体系统的第一步。

参考资料：

https://www.nature.com/articles/s41467-026-78228-y

编辑：LRST