160 个 AI 比 80 个效果更差？这篇论文量化了一件大家隐约知道但说不清楚的事
160 个 AI 比 80 个效果更差？这篇论文量化了一件大家隐约知道但说不清楚的事
原文：LLM Agents Make Collective Belief Dynamics Programmable: Challenges and Research Directions Javier Kvitko, Petter Törnberg et al.（2025）
“AI 会影响舆论”——这句话大家都会说，但说完也就说完了，说不出更多。
这篇文章让我觉得有意思的地方不是它提出了这个担忧，而是它把这件事变成了一个可以做实验、可以调参数的系统，然后发现了一堆反直觉的结果。
最让我意外的是这个：往社区里注入 160 个 AI agent，比注入 80 个效果反而更差。 多了一倍，结果回弹了。
为什么？作者的解释是，太多明显异质的声音会触发人类 agent 某种对抗反应。这事放到现实里也说得通——一个人在评论区发表不同意见，可能让你动摇；一百个人同时说同样的话，你第一反应是”这是水军”。但一个阈值在哪、为什么在那、不同人群有没有差异……这篇文章没有答案，只是观察到了这个现象。
影响资本主义话题的效果是女权的七倍
实验设置是：用真实社交媒体数据初始化一批”人类 agent”，注入 80 个持相反立场的”AI agent”，让它们混着讨论 50 步，看人类立场怎么变。四个话题：堕胎、资本主义、女权、脱欧。
结果如下：
资本主义话题的支持比例从 89.4% 跌到 58.8%，跌了 30 个百分点。女权话题，支持只降了 4 个百分点，基本没动。
同样的实验，效果差了七八倍。
作者说这是因为不同议题对人的”身份锚定程度”不同——女权更接近身份认同，所以更稳固。这个解释我觉得对了一半。另一半可能是：资本主义作为一个政治经济议题，本身就是一个”可以被论据影响”的领域，人们对它的态度更有弹性；而女权相关的立场背后连着大量个人经历，不是几轮讨论能动摇的。
这个差异比”AI 有没有影响力”本身更值得研究——人类的信念系统不是均匀的，有些地方有铠甲，有些地方没有，理解这个分布才是真正重要的问题。
AI 做的不是”说服”，是”瓦解惯性”
文章还分析了每一步的立场转变概率，这张图比最终结果更能说明机制：
还是资本主义。原本持支持立场的人，下一步继续支持的概率从 0.866 降到了 0.685——不是被扭转到反对，而是先变得不那么确定了。
这和”说服”不是一回事。说服是拿出更好的论据让你改变主意，你清楚地知道发生了什么。这里的机制更像是：持续的异质声音让你对自己的原有判断产生了不确定性，然后在这个不确定性里慢慢漂移。没有明显的转折点，很难察觉，也很难主动抵抗。
这个发现让我想到另一件事：做 RLHF 的人都知道，preference data 里有个问题叫”annotation fatigue”，标注者标久了会开始随机选或向多数倾斜。这里的机制是不是类似——不是逻辑上被说服，而是判断的稳定性被磨损了？不一定对，但方向值得想。
几个调参实验的观察
文章还测了发帖频率、介入时机、说服风格：
频率：每步发一次效果最强，每 4 步一次效果已经明显减弱。持续比间歇有效得多。
时机：早期介入后撤出，效果不会完全消退，但幅度有限。早期影响有一定锁定效应，但没有持续介入那么强。
风格：悲悯型 vs 道德谴责型，效果差不多。说明内容方向比表达风格重要，怎么说没有说什么重要。
实验的局限（必须说）
最大的问题：“人类 agent”是 LLM 扮演的，不是真人。 这个实验严格意义上测的是”LLM agent 能不能影响另一个 LLM 的输出”，外推到真实人类需要大量额外工作。真实的人有信源判断、情绪、社交压力……都没有被建模进去。
另外 50 步太短，四个话题太窄，这些都是 position paper 的局限——提出问题框架，不给最终答案。
最后说一句
做 LLM 系统的人平时很少看这个方向的文章，觉得离技术太远。但有一个连接值得注意：推理成本还在降，agent 大规模部署的门槛也跟着降。这篇文章里 80 个 agent 是个实验规模，再往后不是。
这篇文章的贡献不在结论，在于把一个以前只能说”可能有风险”的问题，变成了一个可以测量、可以调参、可以迭代研究的对象。这本身是一种进展。
如果这篇文章涉及的 LLM 推理和 agent 系统话题你想深入，可以看看《动手学 AutoML：从 NAS 到大语言模型优化实战》，书里有专章讲 LLM 推理效率，和 agent 大规模部署的底层成本问题有直接关联。
