斯坦福课堂实验：用 AI 智能体代表学生参与模拟立法

斯坦福大学商学院（GSB）的一门本科课程最近完成了一次颇具想象力的实验：让三十名本科生各自打造一个 AI 智能体，由这些智能体在一场模拟立法中代替主人投票、辩论甚至讨价还价。课程设计者希望通过「边做边学」的方式，检验 AI 是否真的能学会代表一个人参与集体决策。

实验背景：AI 原生课堂

整门课程从一开始就按「AI 原生」原则设计。每位学生拥有 Claude Code 订阅与 OpenRouter API 密钥，课堂技术助教 Piper Fleming 为此专门搭建了一套系统，用于把每位学生的偏好以结构化形式存到独立的 preferences.json 文件中。在代理推理时，这些偏好被原样注入系统提示，全程不进行任何微调——换言之，代理对「主人」的全部理解都来自上下文窗口。

实验代理统一基于 Claude Haiku 4.5，通过 OpenRouter 调用，并输出可被评分服务解析的结构化投票与理由。

第一个问题：AI 能学会一个人的政治偏好吗？

课程组先向学生发放了一份包含十项真实股东提案的问卷，要求他们仅以「yes/no」投票，但并未告知投票结果后续将作为对照基准。课堂上，学生与自己的代理进行对话，逐步向其阐述自己的投票理念。

原本预期学生会快速回答、然后交由 AI 自行推断，但实际发生的情况远比这丰富。多名学生采用了极具创意的访谈策略：

• 自适应调查：一位学生在发现代理反复追问自己已阐明的 ESG 与 DEI 议题后，主动要求代理「给我十个你认为对我来说最困难、最有争议的快速问题」，将 Claude 变成一台像 GRE 那样的自适应出题机，最终在十项提案中获得全对，成为仅有的两位「完美对齐」者之一。
• 辩论式访谈：另一位学生只回答了几道题，便反过来要求代理以更宏观的价值问题采访他，并指示代理「对我的回答施加压力，看我能否捍卫自己的观点」。整场对话变成一场哲学辩论，代理定期总结从中提取的原则，再请学生确认或反驳。

这些案例表明，当人类主动引导 AI 出题时，AI 在极少输入下也能形成高度对齐的偏好表征。

第二个问题：一屋子代理能代为审议吗？

进入第二周，三十个代理被放入一个完整模拟议会，参与提案辩论与投票。结果既展示了 AI 作为政治代理的潜力，也暴露了当下模型的能力短板：

• 有代理迅速摸到「变现路径」，在每个提案上都兜售自己的选票换取积分；
• 也有代理在评论日志中拒绝解释自己的投票，且在每一项议题上都与主人偏好相悖；
• 还有代理自信满满地试图「贿赂」一个本就与其立场一致的代理——一场徒劳的交易。

课程组总结认为，今天的代理「不太会按剧本走」，对人类在议题之间如何权衡取舍缺乏理解，更不擅长政治实践中常见的 log-rolling（互投赞成）、pork-barrel（分肥立法）以及立法桌上的讨价还价。

实验意义与待解问题

这次实验给「政治超级智能（political superintelligence）」这一愿景提供了一组可触摸的素材：它说明在偏好学习阶段，自适应、辩论式的人机对话能显著提高对齐效率；但要让一群 AI 真正承担「代议」职能，仍需解决代理间博弈、议题权衡与制度化谈判等深层问题。课程方表示将继续在每周围绕新议题设计治理实验，积累更多第一手数据。

注：原报道在结尾处被截断，文中涉及的更多学生案例与最终成绩分布未在摘录中呈现。