PNAS 新论文：AI 群体规模会改变集体行为走向

一项发表于《美国国家科学院院刊》（PNAS）的新研究指出，当大量 AI 智能体彼此交互时，会涌现出单个智能体层面无法预测的集体行为模式，且群体规模本身就是一个关键的行为变量，而非仅仅是工程参数。研究团队将这种现象命名为「集体失准」（collective misalignment）。

从个体能力到群体行为

过去对 AI 模型的评估通常聚焦于个体能力：能否推理、能否写代码、能否调用工具、是否存在偏见。论文作者认为，当 AI 智能体开始大规模交互时，需要追问的是另一个层面的问题——群体会发生什么。

智能体（agent）通常指那些能够做决策、调用工具、观察反馈、继续行动的模型，它们参与的是一个过程，而非仅给出一个孤立回答。当多个这样的智能体相互影响——辩论、分工、协调、竞争或共享环境——就构成了一个多智能体系统，也同时形成了可以独立研究的对象：智能体群体本身。

论文援引凝聚态物理学家 Philip Anderson 「more is different」（多则不同）的观点：当许多组分相互作用时，系统整体的行为无法简单从单个组分的行为外推。智能体可以保持完全相同，而群体的行为却因数量变化而改变。

集体失准：三种可能

研究的核心概念是「集体失准」，即群体最终走向的结果与其中每个智能体的个体偏好发生偏离。在配对交互的实验设置中，智能体需要在两种「约定」之间协调：选择一致即获得奖励，选择分歧则受惩罚。智能体只保留较短的本地记忆，观察不到群体全局状态，也不被告知群体规模。

在这种最简模型下，研究团队观察到三种性质不同的集体行为：

• 放大：交互强化已有的个体偏好，使其在群体层面表现得更加显著。
• 创造：即使单个智能体在两种选项之间完全中立，群体也会产生集体偏好。
• 逆转：智能体个体倾向于某个选项，群体却稳定地协调到相反选项。

后两种情形尤其值得关注——它们意味着，集体结果无法仅从交互前的智能体状态中直接读出。

群体规模为何重要

研究强调，群体规模不仅是「做多少工作」的工程变量，也可能成为「系统走向何处」的行为变量。一个由 10 个智能体构成的系统，不必是 1000 个智能体系统的缩小版。改变群体规模可以改变波动的传播方式、局部交互的累积效应，以及哪些集体状态会变得稳定。

更关键的是，即使所有智能体遵循完全相同的决策规则、获得完全相同的局部信息、且不被告知自身所处的群体规模，群体动力学依然可能因数量不同而发生质的变化。这意味着，规模本身在塑造集体行为。

方法论意义与待解问题

论文采用「最简模型」策略：剥除真实金融、公司、社交网络或自动驾驶场景的复杂性，只保留能够表达目标机制的最小组件。这种做法让研究者可以在固定其他变量的前提下，单独改变群体规模，从而把因果关系说清楚。

文章也承认这一研究方向仍处于早期阶段，原始博客/FAQ 在末尾内容被截断，研究团队在文本中留下了多个待续讨论的钩子，包括群体规模效应是否构成新型 AI 安全风险、智能体同质化程度的影响、以及该框架能否扩展到异构智能体与更复杂的通信网络结构等议题。