《Cognitive Systems Research》:Features for Developing Agents with a Sense of Belonging
编辑推荐:
为解决现有AI系统在模拟人类社交动机,特别是“归属感”方面的不足,墨西哥国立理工学院高级研究中心的研究人员开展了一项开创性研究。他们首次提出一个计算模型,通过量化群体认同、社会互动、接受/拒绝、社会记忆、互惠、声誉和群体效用这七个关键维度的特征,动态计算智能体的归属感分数(B ∈ [-1, 1])。该模型基于大语言模型(LLM)驱动的多智能体模拟进行验证,结果显示归属感可作为一种涌现的社交认知状态,从智能体间的社会互动中动态演化。这项研究为在社交机器人、物联网和复杂系统等领域构建更拟人化、更具社会适应性的智能体提供了新范式。
你是否曾思考,为何身处人群仍感孤单,或在团队中找到归属便充满力量?“归属感”是人类最基本的社会和心理需求之一,深刻影响着个体的幸福感和行为。随着社会机器人、物联网和复杂系统研究的飞速发展,如何让人工智能体也具备类似人类的社交动机,理解并融入群体,已成为通往通用人工智能道路上的一大挑战。然而,当前大多数人工系统仍停留在功能交互或预设目标的合作层面,缺乏模拟深层心理和情感机制的能力,难以真实复现群体融入或社会排斥的长期动态,使得智能体的“社交”显得生硬而肤浅。
为破解这一难题,一项发表在《Cognitive Systems Research》上的研究提出了一项开创性工作。研究人员旨在为人工系统注入“归属感”,让它们也能在社交互动中评估自己是“局内人”还是“局外人”。他们认识到,归属感并非单一概念,而是一个多维度的复杂构念。为此,研究首先建立了一个层次化的归属感分类学,将其分解为归属需要、情感纽带、情感安全、个人身份、家庭环境、亲社会行为和社会环境这七个核心维度。这为后续的计算建模奠定了清晰的概念框架。
研究最核心的贡献在于,他们开发了一个可计算的归属感模型。该模型将归属感操作化为一个可量化的归属分数(Belonging Score, B),其值域在[-1, 1]之间。这个分数是七个社交认知特征(Socio-cognitive features)的加权和,包括:群体认同(Group Identity, GI)、社会互动质量(Social Interaction, SI)、接受/拒绝平衡(Acceptance/Rejection, AR)、社会记忆(Social Memory, SM)、互惠(Reciprocity, R)、个人声誉(Personal Reputation, PR)和群体效用(Group Utility, GU)。模型中每个组分的计算都通过数学函数进行了形式化定义,其输入在智能体间实时互动中被标准化和动态更新,确保了模型的可比性和通用性。
为了验证模型,研究人员设计了一个精巧的案例研究。他们利用基于大语言模型(LLM)驱动的AutoGen框架,构建了一个包含10个智能体的多智能体对话系统。这些智能体互不相识,从极低的初始归属感(0.1)开始,在一个共享的对话环境中就小组活动进行多轮自然语言交流。研究人员通过启发式信号检测机制,从对话文本中识别语言线索(如提到“团队”、积极词汇、感谢表达等),并将其映射到七个归属感特征上,从而动态更新每个智能体的内部归属分数。整个过程模拟了社会关系中归属感的自然涌现。
研究人员在研究中主要应用了以下关键技术方法:首先,基于现有心理学和社会神经科学文献,采用分析性综述方法构建了归属感的层次化分类学,作为概念基础。其次,采用基于智能体的建模(Agent-Based Modeling, ABM)方法,并严格遵循ODD+D协议对计算模型进行结构化、可复现的描述。案例研究则利用了由大语言模型(GPT-4o-mini)驱动的多智能体对话框架(AutoGen),模拟智能体间的自然语言互动,以此作为动态社会信号的来源。最后,通过系统性的消融研究(Ablation study)和基于蒙特卡洛模拟的权重敏感性分析,对模型各组成部分的贡献和鲁棒性进行了评估。
研究结果部分揭示了归属感在模拟社交环境中的动态演化。
- •
智能体间归属感的分化:在代表性的一次模拟运行中,10个智能体展现出明显的归属感差异。像Carlos、Alison等智能体获得了较高的归属分数,这得益于他们在群体认同、共享价值观、积极社会互动、良好互惠关系和正面声誉方面的优势。相反,Diana和Heiler等智能体则因在价值和身份认同上契合度较低,导致其社会互动、互惠动态和声誉受损,归属分数停滞甚至下降,表现出被社会排斥的倾向。这直观地表明,归属感是智能体特征与互动行为共同作用下的涌现结果。
- •
归属感构成要素的差异性影响(消融研究):通过系统移除七个特征中的每一个并重新计算归属分数,研究发现不同智能体的归属感依赖于不同的机制。例如,对于归属感边缘的智能体Victor,其归属感对互惠(R) 最为敏感,移除该特征导致其分数急剧下降,表明平衡的人际交换对其融入群体至关重要。而对于被排斥的智能体Heiler,其归属感则高度依赖于社会互动(SI)质量和声誉(PR)。这表明归属感的形成具有个体特异性,理解这些差异有助于针对性地设计干预措施。
- •
模型权重配置的稳健性(敏感性分析):通过蒙特卡洛方法对七个特征的权重(β)进行扰动测试,并评估不同群体规模(10、20、60个智能体)下的模型表现,研究发现各特征对归属分数的平均影响相对较小且平衡,归属分数的整体分布在不同权重配置和群体规模下保持稳定。这证明了所提出的计算模型对于参数变化和规模扩展具有良好的鲁棒性,其核心公式不依赖于某个单一特征的绝对主导。
结论与讨论部分对研究进行了总结并展望了未来。本研究成功地将归属感这一复杂的心理学概念转化为一个可计算、可量化、可动态更新的计算模型。提出的七维特征框架和基于ODD+D协议的形式化模型,为在人工系统中模拟社交动机提供了一条清晰、可复现的路径。案例研究通过LLM驱动的多智能体对话验证了模型的有效性,表明归属感可以作为社会互动中涌现的属性被捕捉和追踪。
这项研究的意义重大。在理论层面,它弥合了心理学、神经科学与计算建模之间的鸿沟,为理解“归属感”的计算基础提供了新视角。在应用层面,该模型为开发更自然、更具情感智能的社交机器人、构建能自主形成社群的物联网设备、以及模拟在线社区或组织内部复杂社会动力学提供了强大的工具。尽管当前模型主要关注社区层面的归属感,且对语言信号的分析仍基于启发式方法,但它为未来更精细地建模情感纽带、个人身份等维度,以及整合更复杂的自然语言处理技术奠定了基础。总而言之,这项工作朝着创造真正“理解”并能融入社会群体的人工智能体迈出了坚实的一步。