自然·通讯：清华团队揭示大语言模型智能体网络中的观点极化涌现机制

清华大学电子工程系丨来源

赵思怡丨审校

论文题目：Emergence of polarization in networks of large language model agents

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

发表时间：2026年10月8日  

论文来源：Nature Communications

当大语言模型（LLM）从单体问答走向多智能体协作，AI智能体不仅能够执行任务，还可以自主交流、建立社会关系，并根据互动信息调整自身观点。当大量智能体持续互动时，它们会形成怎样的网络结构？是否会像人类社会一样，逐渐形成不同的观点群体，甚至出现观点极化？

10月8日，清华大学电子工程系李勇教授团队与合作者在 Nature Communications 发表题为《Emergence of polarization in networks of large language model agents》的研究论文，系统研究了大语言模型智能体在网络化互动中的集体行为及其形成机制。研究发现，在没有预先设定观点极化规则的情况下，大语言模型智能体能够在持续的社会互动中自发出现观点分化，并形成具有同质性聚集特征的网络结构，为理解和研究多智能体系统的集体行为提供了新的视角。文章指出，大语言模型智能体网络可以作为一个有价值的预实验平台，为检验观点动力学与干预策略的假设提供全新的研究工具。

一、当AI开始社交，

观点极化会自发涌现吗？

现有大语言模型研究通常聚焦于单个模型的推理、生成与决策能力。然而，当AI智能体能够彼此交流、选择互动对象并不断更新观点时，系统的整体行为就不再只是单个模型能力的简单叠加，而可能呈现出新的集体动力学特征。这样的网络系统中，智能体的集体行为会如何演化？是否会出现与人类社会类似的“观点极化”现象？其背后的机制又是什么？长期以来，这些问题缺乏系统性的回答。

为研究这一问题，研究团队构建了一个包含数千个大语言模型智能体的网络化系统，并系统对比了五种主流骨干模型（GPT-3.5、GPT-4o、ChatGLM、Llama-3与DeepSeek-V3）。智能体通过大语言模型引导的对话进行交互，并随时间持续更新自身观点。系统围绕自我表达、信息交流和观点更新三个环节运行，允许智能体在交互过程中调整连接关系，从而追踪网络结构与群体观点的共同演化。通过这一设计，研究者得以观察一个“AI 社会”如何从无到有地组织起来，并追踪观点极化从萌芽到形成的完整演化过程。

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）和智能体在三个社会议题上观点极化的演化过程

二、从同质性聚集到观点极化：

群体行为如何涌现？

研究发现，网络化的大语言模型智能体会自发地发展出具有人类社会网络特征的社交结构，其中最显著的是同质性聚集（homophilic clustering），即观点相似的智能体倾向于相互连接。与此同时，这些智能体的集体观点演化呈现出与人类行为实证研究和既有观点动力学模型相符的若干行为模式。更重要的是，上述现象在五种不同的骨干模型中均稳定存在，展现出跨模型的稳健性。

图2：观点极化涌现的集体行为机制：同质性交互随时间增强、社交网络趋于同质性聚集，并呈现与回音室效应、逆火效应一致的行为规律

三、如何打破AI社会的回音室？

论文的价值不止于揭示现象。研究团队进一步将这一系统作为预实验平台，检验了一系列网络层面与个体层面干预策略的效果，例如促进更多样化的交互、减少确认偏差等。实验发现，在已经极化且网络结构趋于稳定的系统中，单纯调整连接关系的作用较有限；相比之下，引导智能体更开放地处理不同观点等策略，表现出更大的极化降幅。这为社会科学中难以在真实世界大规模开展的干预实验，提供了一种安全、可控且可重复的“数字实验场”。

图3：网络层面（随机交互、适度对立交互）与个体层面（消除选择性暴露、消除确认偏差、中立精英信号）干预策略对观点极化水平及同质性交互比例的影响对比

从单个智能体走向智能体网络，系统的可靠性不仅取决于模型自身的能力，也取决于连接关系与信息更新方式。个体层面的行为一致性，并不足以保证持续互动后的群体行为可靠，因此需要将评估从单个智能体扩展到整个交互系统。

该项工作为这一评估视角提供了实验依据。它所揭示的群体极化说明，评估智能体系统需要追踪持续互动后的结果，观察观点分布是否走向两极、跨群体交互是否减少、同类信息是否被反复强化，以及干预能否改变演化方向。对未来科研协作、公共信息服务和人机混合决策系统而言，这为设计群体层面的评估提出了明确问题。

研究也展示了一个可追踪的预实验平台：在受控条件下改变网络和交互方式，比较系统如何演化，从而筛选值得深入检验的机制与干预假说。其价值首先在于理解网络化AI自身。模拟出现类人模式，并不意味着它已经能够预测真实人群；模型、提示词和简化的观点表示仍会影响结果。

更长时间尺度的互动、异构模型之间的协作，以及真实数据与人类实验的校准，将进一步界定这些发现的适用范围。如何让智能体网络获得协作收益，同时避免互动放大偏差，正成为人工智能研究需要回答的核心问题。