近日，来自CAMEL-AI.org的研究者们探讨了一个有趣的问题：大型语言模型（LLM）代理能否模拟人类的信任行为？研究发现，LLM代理在信任游戏中表现出了信任行为，特别是GPT-4代理在信任行为上与人类表现出高度的行为一致性，这表明利用LLM代理模拟人类的信任行为是可行的。这项研究不仅为利用LLM代理模拟更复杂的人类互动和机构奠定了基础，而且加深了我们对于LLM代理与人类之间基本类比的认知。此外，研究者还深入探讨了代理信任的内在属性，包括代理信任在不同人群中的偏见、对人类与其他LLM代理的相对偏好、容易被削弱而不是增强，以及可能受到推理策略的影响。这些发现对于理解LLM代理的行为以及LLM代理与人类之间的基本类比具有重要意义。

方法

• Trust Games框架：使用Trust Games及其变体来研究LLM代理在信任行为中的表现。
• Belief-Desire-Intention (BDI)框架：使用BDI框架来明确地模拟LLM代理的决策过程。
• 行为对齐概念：提出行为对齐概念来衡量LLM代理与人类在影响行为的因素和随时间演变的动态方面的相似性。
• 人类和LLM代理的比较研究：通过比较人类和LLM代理在信任游戏中的行为，包括发送金额和BDI输出，来研究LLM代理与人类信任行为的一致性。
• 代理信任的内在属性研究：通过改变信任游戏的不同场景（例如改变受信人的人口统计信息、设置人类和代理作为受信人等），来探究LLM代理信任行为的内在属性。
• 重复信任游戏：在重复信任游戏中分析人类和LLM代理信任行为的动态。
• 人类模拟应用：探讨LLM代理在模拟人类行为方面的应用，特别是在信任行为方面。
• LLM代理合作：研究LLM代理信任在促进有效合作中的作用。
• 人机协作：探讨LLM代理对人类的信任如何影响人机协作的效果。
• LLM代理安全性：研究LLM代理信任行为对人类社会潜在风险的理解。

实验

• 实验目的：探讨大语言模型（LLM）代理是否能够模拟人类的信任行为。

• 实验方法：

• 使用Trust Games框架来研究LLM代理的信任行为。
• 利用Belief-Desire-Intention (BDI)框架来明确模拟LLM代理的决策过程。
• 对比LLM代理和人类在信任游戏中的行为，以评估两者之间的行为对齐。

• 实验结果：

• LLM代理在信任游戏框架下普遍表现出信任行为，称为代理信任。
• GPT-4代理在信任行为上与人类表现出高度的行为对齐，表明使用LLM代理模拟人类信任行为是可行的。
• 代理信任在不同人口统计特征下表现出偏见，对人类表现出相对偏好，更容易被削弱而不是增强，并且可能受到推理策略的影响。

• 实验总结：

• LLM代理的信任行为与人类在行为因素和动态方面表现出对齐，特别是GPT-4。
• 这为使用LLM代理模拟人类信任行为，从而模拟更复杂的 human interactions 和社会机构奠定了基础。
• 研究揭示了LLM代理行为的本质，以及LLM与人类之间的基本类比关系。

结论与展望

在探索大型语言模型（LLM）代理是否能够模拟人类信任行为的研究中，研究人员发现了一些令人惊喜的发现。首先，LLM代理在信任游戏框架下通常表现出信任行为，这被称为代理信任。特别是GPT-4代理，它们在信任行为上与人类高度一致，表明使用LLM代理模拟人类信任行为是可行的。此外，这个工作深入研究了代理信任的内在属性，包括对不同人群的偏见、对人类与其他LLM代理的相对偏好、易受破坏而非增强，以及可能受高级推理策略影响。

展望未来，CAMEL-AI期待LLM代理在模拟更复杂的人类行为和社交机构方面取得更多进展。这项研究不仅为LLM代理的行为提供了新的见解，而且揭示了LLM代理与人类之间的基本类比关系。随着技术的不断发展，LLM代理将在模拟人类行为方面发挥更大的作用，为社会科学、角色扮演服务等领域带来新的可能性。