解开认知代理网络中群体行为出现的机制

为什么“会思考”的群体很重要

从机器人集群到在线社区，许多由简单单元组成的群体能展现出出人意料的丰富行为。但如果每个单元并非简单，而是具备像当今大型人工智能模型那样强大的基于语言的推理能力，会发生什么？本研究探讨了由这种“认知代理”组成的群体与传统遵循规则的粒子相比会如何表现，以及这对问题求解与社会模拟等任务意味着什么。

从简单粒子到会说话的代理

传统的人群、鸟群或群体模型将个体视为遵循固定规则的基本粒子：朝邻居移动、避免碰撞、偏好相似邻居等。相比之下，这里研究的代理由大型语言模型（LLM）驱动。它们用文字感知周围环境，推理下一步该做什么，记住过去的经历，甚至相互交谈。作者提出一个核心问题：当每个单元都具备这种内建“智能”时，群体层面出现的总体模式是否会改变，如果会，如何改变？

在艰难问题上测试群体

为探究这一问题，研究者把认知代理与经典粒子在两类截然不同的挑战中进行比较。第一类是函数优化，这是一个代表艰难搜索问题的替代场景——目标是在充满局部陷阱的崎岖景观中找到最优解。他们引入了LLM代理群体优化（llmASO），在该方法中，LLM代理网络以自然语言提出并共享候选解。该方法与著名的基于粒子的方法粒子群优化（PSO）以及单一独立工作的LLM优化器进行了比较。在较简单的景观中，单个LLM代理通过从以往尝试中识别模式能迅速找到较好答案。但在具有许多局部陷阱的复杂地形中，孤立代理往往过早地在邻近的“足够好”位置停滞。相比之下，会交谈的代理群体能可靠地发现真正的最佳区域——尽管它们速度更慢，而且对信息在通信网络中的流动方式很敏感。

交谈如何改变社会模式

第二项测试重新审视了经典的谢林（Schelling）隔离模型，该模型演示了对相似邻居的轻微偏好如何导致群体之间明显分离。在这里，代理在格子上移动，属于两种类型之一；如果与它们不同的邻居太少，它们会感到“满意”。对于遵循简单重新安置规则的标准粒子，随着容忍度变化，会出现三种熟悉的相态：持续洗牌的混合态、形成明显簇群的隔离态，以及运动基本停止的冻结态。认知代理遵守相同的基本满意度规则，但在与其他代理交换信息后再决定搬到哪里。当每个代理都能与所有其他代理交谈时，大局结果看起来出人意料地类似于粒子情形，这表明仅仅引入语言和推理并不会自动颠覆已知的隔离模式。

网络与“物以类聚”效应

一旦把对话结构调整得更贴近现实，情形就发生了变化。作者重新连接通信网络，使代理主要与附近同伴交谈，或使连接遵循许多现实社交系统中出现的那种包含少数高度连接枢纽的模式。他们还在实验中引入了同类偏好（代理更倾向与相同类型交谈）和异类偏好（偏好与相反类型交谈）。这些调整带来了强烈的后果：当代理大多与相似的同伴交流时，它们能快速达成协调，高效形成簇群，甚至能够避免无休止的混合相。当它们主要跨类型交谈时，通向满意度的路径更慢也更复杂，但强烈的隔离仍然可能出现——尽管每次对话都跨越了群体界限。总体而言，本地对话和“物以类聚”倾向重塑了隔离如何出现，其方式是非思考粒子无法实现的。

这对未来的AI群体与社会模拟意味着什么

作者得出结论：赋予每个代理先进的基于语言的能力并不会简单地让群体普遍变得更好。相反，这些能力引入了新的动力——例如快速达成共识与模式利用——这些动力根据代理之间的连接方式可能是有利或有害的。在优化任务中，设计不当的网络会促使聪明的代理过快在平庸解上达成一致；有意限制信息流有助于它们更广泛地探索，但代价是速度变慢。在社会模拟中，现实的通信模式和同类偏好能够产生不同于经典模型的行为，并可能更好地反映人类社会。随着由AI驱动的机器人群体和虚拟代理网络日益普及，理解并调节这些群体效应对于设计安全、有效的系统将至关重要。

引用: Zomer, N., De Domenico, M. Unraveling the emergence of collective behavior in networks of cognitive agents. npj Artif. Intell. 2, 36 (2026). https://doi.org/10.1038/s44387-026-00091-5

关键词: 认知代理, 大型语言模型, 群体优化, 隔离动力学, 网络拓扑