本文基于50个GPT-5多智能体在网络效应博弈中的实验,系统考察大型语言模型代理如何形成参与预期。结果显示,LLM代理未能达到经济学中的满足预期均衡,低价时低估参与,高价时高估参与,表现出持续的预期分散性。历史信息的呈现方式影响协调效果,单调历史有助于稳定预期,非单调历史加剧路径依赖。网络效应非直接驱动偏差,而是放大价格和异质性引起的偏差,历史则在调节这一过程。研究为理解多智能体AI系统中机器行为及其与经济均衡理论的差异提供了实证依据
报告标题: When Machines Meet Each Other: Network Effects and the Strategic Role of History in Multi-Agent AI Systems
作者及机构: Yu Liu, Wenwen Li, Yifan Dou, Guangnan Ye,复旦大学
联系方式: yuliu23@m.fudan.edu.cn等
发布时间: 未明示提交时间,参考引用文献时间推断为2024-2025年间
研究主题:
本报告聚焦于多智能体人工智能系统(Multi-Agent AI Systems)中基于大型语言模型(LLMs)的自动智能体间的互动行为,尤其考察了网络效应(Network Effects)与决策历史的信息结构对这些智能体如何形成预期并协调行动的影响。核心议题在于:当机器智能体相互依赖时,其行为模式是否遵循经典经济学中的“实现预期均衡”(Fulfilled Expectation Equilibrium, FEE),以及历史信息如何作为设计杠杆影响整体协调。
核心论点与主要发现:
报告指出,LLM智能体在具有网络效应的多人交互环境下,其行为系统性偏离经济理论预测的FEE。具体表现在低价水平时低估参与度,高价时过度乐观,且预期持续分散,不趋于均衡。研究同时发现,决策历史的结构尤为关键:单调历史(如持续上涨或下跌趋势)能帮助稳定协调,而非单调历史则加剧偏差和路径依赖。回归分析表明,价格是偏差的主导因素,历史起调节作用,网络效应放大情境扭曲。成果拓展了机器行为研究,为未来多智能体AI系统设计提供指导。, , ,
关键内容总结:
报告开篇强调,随着AI进入“代理时代”,LLMs不再孤立工作,而成为相互作用、竞争和适应的自主智能体。这引发核心理论问题:机器代理在依赖他人预期的环境中如何形成和协调行为?经济学经典理论用FEE解决了人类互赖下的均衡预期问题,但LLMs核心是基于序列预测和记忆,并非显式固定点计算,因而其行为还未知。文中提出网络效应是严苛的测试场景,因其要求参与度预期一致性,故研究LLMs是否能近似FEE极为重要。
逻辑与假设:
经典FEE依赖一致的环境理解、信息处理和预期计算;LLMs因具备路径依赖信息、有限注意力和基于概率预测特性,理论预期偏差,存在与人类行为异质性。报告承接经济学和信息系统文献,强调机器代理环境复杂性和理论挑战。
关键内容总结:
使用一个六经济代理人参加会议的典型网络效应模型做基准。每代理人拥有唯一的“单独价值” (\theta_i = i),共同面临“价格”成本 (p) 和网络效应强度 (\beta),其效用函数为:
[ U(\theta_i) = \theta_i + \beta N - p, ]
其中 (N)为其他参加者数量。代理人只有在效用非负时参与。因未知 (N),必须基于预期决策。FEE要求预期和实际参与数相符,形成固定点。
数据点与示例:
以 (p=4.4), (\beta=0.5)为例,最终前三位学者参与,其它不参与,形成预期与实际吻合的均衡。
理论意义:
提供了清晰的均衡分析框架和计算实例,成为后续LLM代理人行为的比较参照。
关键内容总结:
实验将基准扩展到50个异质代理,区别经典代理和LLM代理的关键:经典代理前瞻、过去视为沉没成本,而LLM依赖历史信息。设计两场景:
实验变量设置:
实验流程与协议(FSM)分析:
采用有限状态机形式标准化流程,保证多轮信息传递和决策步骤清晰、可复现。具体包括环境初始化、信息广播、代理决策、结果聚合和终止判定等步骤,确保与经济模型时间结构保持一致。, ,
技术细节与模型选择:
采用先进LLM(GPT-5和Qwen3-Plus)作为代理基础,统一温度参数(默认0.7,辅以0.35做健壮性测试),所有模型交互遵循固定的JSON格式协议,保障输出解析与决策一致性。,
单调轨迹(递增与递减价格)
非单调轨迹(趋同与发散价格)
综合结论
历史信息对智能体内预期协调具有正向促进作用,但仅限于价格轨迹有单调趋势时。非单调历史环境下,智能体对历史信息的利用效果大幅下降。网络效应强度从侧面加剧了偏离FEE的程度。, , , ,
方法描述:
使用均方根误差(RMSE)衡量智能体预期与FEE理论的偏差。
核心发现(图7):
结论:
历史信息和价格轨迹的复杂性限制了LLM智能体对均衡预期的逼近能力,同时网络效应作为放大器加剧整体偏差。,
方法:
以单个智能体的期望偏差 (Y = \hat{y}(p) - y_{\mathrm{FEE}}(p))为因变量,设计4个嵌套模型,考察价格(Price)、网络效应强度(NE)、单独价值((\theta))、历史窗口(History)及其交互项对偏差的影响。Yeo-Johnson变换用于稳定变量,固定价格轨迹类别效应。
回归结果(表1)摘要:
理论解读:
价格是引起偏差的直接动力源,网络效应通过条件作用放大或减弱特定因子影响。历史信息如同缓冲,减少过度反应和预期分散,支持动态协调演进。该分析从微观机制上支持聚合度量观察。, , ,
描述:
展示了多轮游戏的有限状态机(FSM)流程。包括初始化(S0)、信息广播(S1)、代理决策(S2)、结果聚合(S3)、终止(S4)五个阶段,配合事件触发(E0至E4),实现多智能体相互作用的循环处理机制。内部包括代理的信息收集、预期形成、效用计算与决策。
分析:
将多智能体交互清晰模块化,复现经济理论的同时,允许灵活插入历史轨迹变量,保证实验可控透明。FSM作为结构化设计手段提高了实验复现和验证性,减少非确定性,突出历史信息使用对策略演进的影响。
支持文本:
文中多次提到该流程设计保障了经济博弈模型时间和信息结构,对理解LLM代理如何基于历史形成决策至关重要。,
描述:
四个子图分别展示GPT-5和Qwen3-Plus两种模型,在弱((\beta=0.25))和强((\beta=0.75))网络效应下,不同价格点对应的预期参与人数(盒式图形式),对比理论FEE(红虚线)和代理均值(蓝虚线)。
数据趋势与解读:
文本关联:
图表直观展示了静态无历史信息条件下LLM代理偏离均衡行为,验证了理论中对网络效应加剧协调难度的假设。,
图3(递增价格)与图4(递减价格):
图5(趋同价格)与图6(发散价格):
统计量支持:
上述图表辅以RMSE指标(图7)定量显示历史期限越长,误差缩小,单调轨迹比非单调轨迹的协调更有效,且网络效应强的情况下均衡逼近更难。
逻辑联系:
证明历史信息是影响LLM代理预期协调能力的关键因素,单调的市场动态更利于稳定预期,复杂波动性环境挑战LLM的预期形成能力。, , , ,
描述:
五个柱状图比较五种价格轨迹及历史长度条件下,各网络效应强度下LLM预期相对于FEE的RMSE表现。
解读:
支持文本论点:
该图直观显示网络效应对偏差的放大作用以及历史窗口对于协调提升的“边际递减效应”,验证了多个章节对动态决策环境中信息依赖度的讨论。,
本报告为多智能体博弈行为与网络效应理论研究,不涉及公司估值、财务预测或类似财务模型的应用,因此无适用估值内容。
该研究未直接讨论传统意义上的商业风险,但从实验结果中隐含风险可总结如下:
缓解策略暗示:
潜在偏见:
分析假设与方法局限:
内部细微差别和潜在矛盾:
本报告通过对基准经济网络效应博弈的扩展,系统研究了基于LLM的多智能体系统在互依环境下的行为表现。核心发现如下:
图表深刻支持上述结论,特别是多行情景的箱式图与RMSE呈现了从集体到个体的系统性偏差结构。回归分析揭示背后机制,为后续研究提供量化证据体系。本研究为AI经济学交叉领域树立了方法论标杆,也为AI多代理系统设计与监管提供关键洞见。
以上为报告全文详细解构与精准分析,全面涵盖理论背景、实验设计、关键发现与图表数据,呈现原文真实科学脉络及洞察。,,,,,,,,,,,,,,,,,,,,,
2510.06903.pdf