以社會規範為基礎的 LLM 協調模型：行人與車輛互動突破
研究團隊以行人與車輛的動態互動為測試平台，從 3,456 例人類互動中抽取三大社會規範原則：結果可預測性、價值對齊與利益感知。將這些原則嵌入大型語言模型（LLM）後，模型在與人類的閉環協調任務中總得分提升近四倍，且比人與人互動高出 43%。
研究背景與動機
人在日常互動中會依賴難以量化的社會規範，這些隱性期待協助協調行為。隨著大型語言模型（LLM）逐漸融入生活，它們在此類互動中的表現仍顯不足，常無法自然配合人類。
實驗平台與資料收集
研究者打造簡化的行人-車輛互動平台，模擬真實動態情境，收集 3,456 筆人類互動資料，聚焦於互動的關鍵特徵。
發現的社會規範原則
分析後提出三項支撐人類行為的原則：1️⃣ 結果可預測性：行動結果應可預見。2️⃣ 價值對齊：行為需符合雙方的價值取向。3️⃣ 利益感知：考量對方的優勢與劣勢。
將規範注入 AI
研究者將上述原則以可量化方式整合進 LLM，使其在與人類的閉環互動任務中依據這三項指標調整回應。
實驗結果
在同樣的互動測試中，加入社會規範的 LLM 總得分約為基線策略的四倍，且比人與人之間的協調表現高出 43%。這顯示明確的規範能顯著提升 AI 的協調能力。
意涵與未來方向
將隱性社會規範形式化為可量化原則，可讓 AI 在動態互動中更自然、有效地與人類合作，為未來 AI 社會化鋪路。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
