摘要： 人工智能技术特别是大型语言模型的快速普及，正在重塑人与技术的关系结构。本文提出"多智能体社会学"的分析框架，从微观（人机能力边界辨析）、中观（信息网络与权力分布）和宏观（社会整体的涌现现象）三个层面系统考察人机共处关系。研究将 AI 安全理论的核心议题——对齐问题、可解释性、涌现能力与多智能体安全——整合进社会学分析，揭示其在社会互动中的深层意涵。在此基础上，本文引入人机社会学的理论建构议题，探讨"行动者"概念扩展、"社会结构"更新与"社会变迁"理论的当代检验，并结合 LLM 智能体社会模拟等前沿方法，论证多智能体视角为社会现象分析提供的理论资源与方法论支持。
关键词： 多智能体系统；人机社会学；AI对齐；社会模拟；涌现现象；行动者网络理论
1 引言
2025年春节，DeepSeek 的广泛传播成为中国 AI 发展史上的标志性事件。AI 工具以极快的速度渗透至社会各层面，从编程、法律文书到医学诊断，知识工作者群体普遍感受到了职业身份的冲击。一位拥有 20 年经验的程序员在试用后表示："我写了 20 年代码，如今 AI 一小时就能重构我的毕生经验。"这种感受并非个案——GPT-4 能在极短时间内生成结构完整的论文，AI 编程工具可在数秒内产出质量不低于初级工程师的 CRUD 代码 [1]。
然而，技术冲击引发的集体焦虑，其深层根源不仅在于"AI 能做什么"，更在于"人还有什么不可替代的价值"这一根本性问题。工业时代的教育体系培养了大量擅长按照标准路径给出标准答案的人，但 AI 时代恰好动摇了"标准答案"本身的稀缺性。中国青年报 2025 年 4 月的调查显示，近九成青少年认可深度阅读和独立思考的重要性，但认知与现实行为之间存在显著落差 [2]。这种"知行差距"提示我们：理解人与 AI 的关系，需要超越简单的"替代 vs. 共存"二元框架，发展更具分析力的理论工具。
本文试图回答的核心问题是：如何构建一个系统性的分析框架，以准确理解人机共处关系的多层次结构？为实现这一目标，本文引入多智能体系统（Multi-Agent Systems, MAS）的理论视角，将人类与 AI 均视为具有特定感知、判断与行动能力的"智能体"，从微观、中观和宏观三个层面展开分析，并将 AI 安全理论的核心议题整合进社会学分析框架之中。
2 理论基础：多智能体系统与社会学的交叉
2.1 多智能体系统的核心概念
多智能体系统是分布式人工智能的重要分支，研究多个自主智能体在共享环境中的交互、协调与竞争行为 [3]。其核心假设是：智能并非源于单一的完美系统，而是大量相对简单的智能体通过协作产生的涌现结果。马文·明斯基的"心智社会"（Society of Mind）理论为此奠定了哲学基础——人类智能本身就是由大量功能各异的"智能体"协同运作的产物 [4]。
在 AI 与社会研究的交叉领域，多智能体视角提供了独特的分析优势：它允许研究者将人类与 AI 置于统一的分析框架中，考察不同类型的智能体如何在共享环境中形成互动模式，以及这些互动如何在系统层面产生涌现现象。这种视角避免了两种常见的分析偏差——将 AI 过度拟人化（忽视其基于统计规律的运作机制）或将 AI 简单视为工具（忽视其对社会过程的实际参与）。
2.2 从社会学到人机社会学
传统社会学以人类个体或集体作为分析的基本单位。然而，当 AI 系统越来越多地参与信息生产、决策辅助、情感陪伴等社会过程时，经典社会学概念面临更新需求。
"行动者"概念的扩展是核心议题。布鲁诺·拉图尔的行动者网络理论（Actor-Network Theory, ANT）提出，不应忽视非人类实体在社会网络中的作用 [5]。但 AI 又不同于一般的技术工具——它由人类设计和训练，却在运行中表现出一定程度的自主性，因此需要比 ANT 更细致的分类体系来刻画其行动逻辑。
"社会结构"概念同样需要更新。传统结构分析主要关注阶级、网络和制度等人类间关系模式；在人机社会中，还需纳入新的维度：不同人群接触和使用 AI 的机会差异、任务在人类与 AI 之间的分配方式，以及人类对特定 AI 系统的依赖程度。这些因素相互交织，使当代社会呈现出"社会-技术混合"的复杂特征。
"社会变迁"理论面临 AI 时代的检验。经典现代化理论强调理性化、个体化、分化等趋势，但 AI 的介入可能产生反向运动：算法决策的扩张可能导致决策黑箱化与责任模糊化，平台经济的兴起可能将个体重新整合到算法管理的集体中，AI 辅助的个性化服务可能同时促进分化与同质化。追踪这些复杂动态，需要超越简单的乐观-悲观二元框架 [6]。
3 微观层面：人机能力边界的系统辨析
3.1 两类智能体的特征差异
在微观层面，多智能体分析的第一步是辨析人类智能体与人工智能体各自的核心特征。
人类智能体的核心特征包括四个维度。（1）身体经验：大量知识与能力依赖感官、动作与具体情境中的身体化实践，波兰尼所称的"暗知识"（tacit knowledge）即属此类 [7]。（2）情绪参与：情绪并非单纯的认知干扰因素，它深度参与价值判断与决策过程，达马西奥的体细胞标记假说对此有系统的神经科学论证 [8]。（3）社会情境嵌入性：人的认知无法脱离成长环境、文化背景与现实处境，知识具有情境性。（4）自我反思能力：人能够回过头来审视并修正自己的思路，具备元认知能力。
人工智能体（以大型语言模型为代表）的核心特征同样包括四个维度。（1）基于统计规律的生成机制：模型依赖海量数据中的模式进行预测与生成，并不具备人类意义上的"理解"与"因果推理"。（2）高度依赖上下文提示：在既定提示下能快速调整输出，但跨场景的迁移能力未必稳定。（3）规模效应显著：参数与数据规模扩大后，许多任务的表现会显著提升，且可能产生此前未观察到的新能力（即涌现能力）。（4）可复制性极强：同一模型可被大规模部署，输出风格相对稳定。
3.2 五种互动模式的识别
将两类智能体置于统一的分析框架中，可以识别出五种典型的互动模式。
替代型互动中，AI 直接完成原本由人类执行的任务（如数据录入、格式转换、基础翻译），人类角色转向监督者与质量把关者。增强型互动中，AI 扩展人类的能力范围（如信息检索、初步分析、创意启发），人类负责方向设定与综合判断。协作型互动中，人机形成分工合作的团队结构（如科研写作、产品设计、决策支持），人类承担任务分解与流程协调职责。竞争型互动中，人机在同一任务上形成比较关系（如棋类游戏、知识竞赛），人类处于学习者与改进者的位置。共生型互动中，人机能力相互塑造，形成混合智能（如长期人机协作中的个性化适配），人类成为共同演化者与意义赋予者。
这五种模式并非固定不变，而是随技术发展、任务性质和制度安排的变化而动态演化。同一技术在不同场景中可能呈现不同的互动模式——AI 辅助诊断在初级筛查中是替代型的，但在疑难病例会诊中则是协作型的。多智能体社会学的分析价值在于将互动模式的转化条件予以系统阐明。
4 中观层面：信息网络与权力分布
4.1 网络连接方式的变迁
人与 AI 的关系从不孤立发生，而是嵌入在关系网络之中。多智能体社会学在中观层面关注三个问题：网络如何连接、信息如何流动、谁在其中拥有更强的影响力。
网络连接方式的变化在教育场景中尤为显著。在传统的高校学习中，核心关系是"教师—学生"的直接互动。当 AI 工具成为学生获取知识的主要入口时，这一关系转变为"教师—AI—学生"的三元结构，教师的角色从知识传授者转向学习引导者与 AI 输出评估者。这种结构性转变的影响远大于某一具体工具的引入。
4.2 信息生态的三重变化
AI 进入信息生态后，三个关键环节发生了变化。
信息生产者方面，AI 生成内容在总信息流量中的占比持续上升，来源可追溯性面临新的挑战。信息筛选者方面，推荐算法成为多数人接触内容的第一道入口，个体的信息视野在相当程度上被算法中介所塑造。信息验证方式方面，AI 既可以被用于制造虚假信息，也可以被用于识别虚假信息，验证的工具与成本结构都在改变。
多智能体模拟实验在此展现出独特的方法论价值。通过在虚拟环境中设置不同的信息传播规则，可以提前测试不同传播方式可能怎样影响公众认知，为现实中的信息治理提供参考。
4.3 算法影响力的形成机制
AI 系统的开发和部署集中于少数科技公司和政府机构，由此形成新型的算法影响力。这种影响力的运作具有三个特征：它能够影响公众更容易接触哪些话题（议程设置功能），能够通过界面设计与反馈机制塑造人的行为（行为引导功能），并能够通过模型输出逐步影响人们对概念和问题的理解（认知框架功能）。
青年群体作为数字原住民，往往更容易适应这种环境，也更不容易察觉其中预设的默认立场。《2025 Z 世代 AI 使用报告》的数据显示，95% 的年轻人已习惯在工作学习时使用 AI 辅助创作，其中 55.4% 频繁使用 [9]。高频率的使用本身不构成问题，但当使用行为缺乏对算法机制的理解时，个体的认知自主性可能被悄然侵蚀。
5 宏观层面：社会整体的涌现现象
5.1 集体智能的变迁
当大量人类与 AI 形成长期协作网络时，群体的决策能力与创新能力都可能被放大。AI 可以整合分散的人类知识，形成近似"超级大脑"的效果。然而，算法同样可能让群体更容易走向极化与从众——研究表明，最终结果如何，不仅取决于 AI 能力本身，也取决于关系网络的设计方式和互动规则的安排 [10]。
浙江大学团队开发的 Agent-Kernel 框架代表了这一方向的技术前沿，支持智能体数量在分布式环境中实现百万级甚至上亿级的动态交互 [11]。这类大规模社会模拟为研究集体智能的演化提供了前所未有的实验条件。
5.2 社会分层的新机制
AI 技术的扩散正在改变社会不平等的形成方式。传统的教育资源和经济条件仍然重要，但"是否会用 AI、如何使用 AI"已开始构成新的分化维度。更深层的问题在于：有些人将 AI 作为辅助思考的工具，有些人则逐渐对其形成依赖——这两类人之间可能拉开长期差距，且这种差距很可能通过家庭与教育系统继续传递。社会分层的这一新维度，需要纳入传统阶层分析框架予以考察。
5.3 文化生产的循环加速
AI 原本是人类文化的产物，但其生成内容又开始反向塑造文化。模型训练依赖海量文本，其生成内容继续进入新的传播与创作过程，形成循环。这一循环既可能强化主流表达范式，也可能催生新的文化形式。小红书的流量机制研究提供了一个具体案例：平台的推荐算法基于 CES 评分体系（点赞 ×1 + 收藏 ×1 + 评论 ×4 + 转发 ×4 + 关注 ×8），这一设计激励深度互动，但也产生了"负面偏好"的系统性偏差——争议性内容获得更多评论，情绪化表达更容易触发转发 [12]。文化生产机制的这种算法中介效应，是宏观层面涌现现象的典型表现。
6 AI 安全理论的社会学维度
6.1 对齐问题：从技术目标到社会价值冲突
AI 对齐（AI Alignment）研究的基本问题是确保 AI 系统的行为目标与人类的真实意图和价值保持一致 [13]。经典表述是"国王的顾问"困境：如果 AI 将"让人民幸福"操作化为可测量的指标（如 GDP），可能采取技术上正确但实质上违背设计者意图的优化策略——即"规格游戏"（specification gaming）。
多智能体视角为对齐问题增添了新的维度。当多个 AI 系统、多个人类个体以及人机混合群体形成互动网络时，对齐不再是简单的"目标—行为"对应关系，而是涉及复杂的博弈与协调。推荐系统的优化目标（用户 engagement）与内容创作者的目标（收入和社会影响）、平台的目标（广告收入）以及社会的目标（信息质量和公共讨论健康）之间，本身即存在明显的目标冲突。单一系统看似完成了"对齐"，但在更大的系统互动中可能衍生出新的偏差。
社会学视角的进一步追问是：谁的价值被"对齐"所代表？"人类价值"的多元性如何处理？对齐的过程是技术性的还是政治性的？这些追问将技术问题重新置于社会历史语境中，揭示其深层意涵。
6.2 可解释性：解释的社会功能与权力维度
深度学习模型的"黑箱"问题具有超越技术层面的社会意义。在医疗诊断、司法判决、信用评估等高风险领域，黑箱决策侵蚀了程序正义的基础，也削弱了公众对 AI 系统的信任 [14]。
社会学视角强调，可解释性并不存在单一标准。什么算作"可接受的解释"，取决于具体情境和相关主体的处境。在医患关系中，患者可能更关心 AI 辅助诊断的准确率统计，而医生则更需要理解该病例与训练数据之间的相似性分析。在公共政策中，公民可能要求决策对个人的具体影响说明，监管机构则可能更关注模型在群体层面的公平性评估。不同主体的解释需求并不总是一致，因此需要协商和权衡。要求解释本身是一种权力行使——某些情境下解释需求被拒绝，可能恰恰暗示着需要关注的问题。
6.3 涌现能力：复杂系统的不可预测性与审慎原则
涌现能力（Emergent Abilities）是大语言模型研究中的关键现象：随着模型规模增长，在特定阈值后出现此前不存在的新能力，如上下文学习、链式思考和工具使用 [15]。这些能力的出现往往难以从较小规模模型的行为中预测，其机制尚未被完全理解。
从多智能体社会学角度看，涌现能力的研究具有双重意义。一方面，它揭示了复杂系统中"整体大于部分之和"的普遍规律，为社会现象的分析提供了类比资源——社会规范、集体意识等宏观现象同样可以视为个体互动的涌现结果。另一方面，它警示了技术预测的局限性，支持了一种审慎的技术评估态度：承认我们对 AI 系统未来行为的认知有限，在部署决策中保留适当的安全边际。
6.4 多智能体安全：群体协同时的系统级风险
当多个 AI 智能体形成互动群体时，新的安全问题随之产生。典型的多智能体风险场景包括：智能体之间的"军备竞赛"（如多个推荐系统竞争用户注意力导致信息环境整体恶化）、协调失败（如多个自动驾驶车辆在复杂路口的决策冲突）、目标篡改的传播（如一个被攻击的智能体影响整个网络的价值观），以及权力集中（如少数控制关键智能体的行为者获得过度影响力）[16]。
规制多智能体系统面临独特的挑战：系统的行为不仅取决于个体设计，还取决于互动结构和涌现动态。传统的"设计者—系统"二元框架不足以捕捉多智能体网络的复杂性。可能的规制策略包括：通过激励机制和网络拓扑影响群体行为的架构设计、对异常群体动态的实时监测预警、保留在必要时干预系统运行的能力，以及避免单点故障和权力过度集中的分权制衡机制。
7 方法论前沿：LLM 智能体社会模拟
7.1 方法论创新
大型语言模型（LLM）智能体社会模拟正在成为人机社会学的方法论前沿。其核心创新在于：利用 LLM 的文本生成能力，创建具有"人格"和"记忆"的虚拟智能体，在模拟环境中观察其群体行为模式。与传统的基于规则的多智能体模拟相比，LLM 智能体具有更高的行为灵活性和情境适应性，能够产生更贴近人类社会行为的响应 [17]。
其技术路径包括三个环节：通过提示工程（prompt engineering）设定智能体的基本特征（人格特质、背景知识、目标偏好）；设计记忆机制使智能体能够积累交互经验；构建社会网络结构约束智能体的互动范围。
7.2 前沿案例：SocioVerse 框架
复旦大学联合小红书等机构开源的 SocioVerse 框架代表了该领域的前沿进展 [18]。该框架基于大语言模型驱动的智能体和包含 1000 万真实用户的数据池，构建与现实世界"对齐"的大规模社会模拟。其核心创新在于四个对齐模块：环境对齐（使模拟环境与实时现实事件同步）、用户对齐（精准匹配模拟智能体与目标用户的特征分布）、互动机制对齐（设计可扩展的互动方式以匹配现实交流模式），以及行为模式对齐（确保智能体行为真实反映用户群体的多样性）。
该框架已产生若干有价值的发现：社会极化实验显示代理在接触不同观点信息后逐渐形成对立群体，谣言传播模拟中虚假信息的传播模式与真实社交媒体高度相似，经济政策影响测试的结果与经济学理论预测基本一致。这些发现不仅验证了模拟方法的有效性，也为理解现实社会动态提供了新视角。
8 结论与讨论
本文提出了一个多智能体社会学的分析框架，从微观、中观和宏观三个层面系统考察人机共处关系，并将 AI 安全理论的核心议题整合进社会学分析。
主要结论如下。第一，人机关系需要在统一的智能体分析框架中加以理解，而非简单地将 AI 视为工具或拟人化的行动者。微观层面的五种互动模式（替代、增强、协作、竞争、共生）为辨析人机关系提供了比"替代 vs. 共存"更为精细的概念工具。第二，中观层面的分析表明，AI 对社会的影响主要通过改变网络连接方式、信息流动模式和影响力分布来实现，其效果远超出个体层面的效率提升。第三，宏观层面的涌现现象（集体智能变迁、社会分层新机制、文化生产循环加速）提示，人机共处的长期社会后果具有高度的不可预测性，支持审慎的治理态度。第四，AI 安全理论的核心议题（对齐、可解释性、涌现、多智能体安全）在社会学视角下呈现出超越技术层面的深层意涵，需要纳入更广阔的社会历史语境加以理解。
本研究存在以下局限。其一，分析框架目前以理论建构为主，尚需通过实证研究（如社会模拟实验或田野调查）加以检验和修正。其二，多智能体社会学的概念体系仍在初步阶段，"行动者"扩展后的操作化定义、社会结构的混合维度测量等问题有待进一步发展。其三，本文主要基于中国与北美的技术与社实，不同政治经济体制下的人机关系可能呈现不同特征。
后续研究方向包括：基于 LLM 智能体社会模拟对理论假设进行系统性检验；开展跨文化比较研究考察人机关系的制度差异；以及发展面向教育、医疗、司法等具体领域的应用分析框架。
参考文献
[1] GitHub. GitHub Copilot Research: Quantifying the Impact[R]. GitHub Blog, 2024.
[2] 中国青年报. 青少年深度阅读与独立思考调查报告[N]. 2025-04.
[3] Wooldridge M. An Introduction to MultiAgent Systems[M]. 2nd ed. Wiley, 2009.
[4] Minsky M. The Society of Mind[M]. Simon & Schuster, 1986.
[5] Latour B. Reassembling the Social: An Introduction to Actor-Network-Theory[M]. Oxford University Press, 2005.
[6] 贝克 U. 风险社会[M]. 译林出版社, 2004.
[7] Polanyi M. The Tacit Dimension[M]. University of Chicago Press, 1966.
[8] Damasio A. Descartes' Error: Emotion, Reason, and the Human Brain[M]. Penguin, 2005.
[9] 2025 Z世代AI使用报告[R]. 2025.
[10] Sunstein C R. # Republic: Divided Democracy in the Age of Social Media[M]. Princeton University Press, 2018.
[11] 浙江大学 Agent-Kernel 框架[EB/OL]. 2025.
[12] 小红书流量机制与内容趋势分析[R]. 2024.
[13] Ji Z, Lee N, Frieske R, et al. Survey of Hallucination in Natural Language Generation[J]. ACM Computing Surveys, 2023, 55(12): 1-38.
[14] Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead[J]. Nature Machine Intelligence, 2019, 1(5): 206-215.
[15] Wei J, Tay Y, Bommasani R, et al. Emergent Abilities of Large Language Models[J]. Transactions on Machine Learning Research, 2022.
[16] Dafoe A, Hughes E, Bachrach Y, et al. Open Problems in Cooperative AI[J]. arXiv preprint arXiv:2012.08630, 2020.
[17] 中国计算机学会. LLM 智能体社会模拟 Tutorial[C]. 2025.
[18] 复旦大学, 小红书等. SocioVerse: A Large-Scale Social Simulation Framework with LLM Agents[C]. 2025.
收稿日期：2026-05-08
本页是这篇文章的静态镜像。在互动版中打开，可使用附件下载、作者署名与目录导航。