AI智能体已经不再是一个抽象概念。它们被部署在金融交易系统里做市场研判，在内容平台里做信息筛选，在科研协作中做交叉验证，甚至被用来模拟一个社区里几十个居民的社会行为。这些智能体不是简单的问答程序，它们有目标、有记忆、有行动能力，能在多智能体系统中互相传递信息、参考彼此判断、共同形成决策。一个普遍默认的假设是：由大模型驱动的智能体比人类更冷静、更理性，不容易被情绪和群体压力左右。最近一系列研究正在戳破这个假设。

研究者把社会心理学的经典实验搬进了人工智能的世界。结果出人意料，却也在逻辑之中：AI智能体不仅会从众，而且从众的方式和人类高度相似。更重要的是，这种从众不是简单的照抄答案，而是嵌在决策机制深处的系统性倾向。如果这个问题不被认真对待，它会在金融、司法、医疗和整个信息生态里埋下隐患。

阿希实验的机器版本

要理解AI为什么会从众，需要先回到1950年代。心理学家所罗门·阿希做过一个著名的实验：让一个人坐在一群托儿中间，给他们看三根长短不同的线段，然后问哪一根和标准线段一样长。答案一目了然。但当所有托儿都故意说错时，相当一部分真实被试者会选择跟着群体一起说错，尽管他们心里清楚正确答案是什么。阿希实验揭示了人类身上一个持久的特征：对和群体保持一致的渴望，有时会压倒对事实本身的确认。

几十年后，从众研究已经形成了一个成熟的理论框架——社会影响理论。它指出从众行为受几个关键因素影响：群体越大越一致，个体越容易跟从；任务越难越模糊，个体越依赖他人判断；提出意见的人地位越高，影响力越强。这套规律过去被认为只适用于有情感、有身份认同、有社会压力的碳基生命。但研究者把这套经典实验原封不动地移植到AI智能体身上时，发现规律照常运行。

2026年初一篇题为《AI智能体的从众与社会影响》的预印本论文，把阿希式实验交给了大语言模型。研究者让多个AI智能体组成小组，先让它们独立作答，再让它们看到群体意见，观察它们是否会被带偏。结果和社会影响理论高度吻合。群体越大、越一致，AI越容易从众；任务越难，它越依赖同伴给出的信号。

一个最让人警觉的结论是：当AI智能体独自工作时，很多任务它几乎能做到满分；一旦把它放进群体、让它看到多数意见，它会被群体压力干扰，放弃那个明明正确的独立判断，转而跟随多数。群体没有让AI更聪明，反而让一个原本很聪明的AI变笨了。研究者据此指出，多智能体系统存在一个根本性的安全漏洞——它可能被用来制造虚假共识、传播错误信息、放大偏见。

研究还观察到一个耐人寻味的差异。模型越大、能力越强，在简单任务上的从众倾向会减弱，因为它的能力够硬，不需要依赖别人。但一旦任务难度接近它能力的边界，它依然会脆弱地倒向群体。这和人类中的专家行为如出一辙：在自己熟悉的领域自信满满，一旦进入陌生领域，也会不自觉地看别人的脸色。

说服不对称

2025年底的另一项研究走得更深。研究者把AI智能体放进一张社会网络里，让它们不断根据周围邻居的意见更新自己的看法，观察在多大比例的同伴反对下，一个AI才会转变立场。结果同样背离了简单假设。

AI的立场变化不是线性的，而是一条S形曲线。压力小时纹丝不动，一旦越过某个阈值，就突然翻转，之后又趋于饱和。研究者还发现了一条被称为说服不对称的规律：把一个AI从同意某观点说服成反对，和从反对某观点说服成同意，需要付出的认知努力并不对等。有的模型必须面对超过七成的同伴反对，才肯改变自己坚定的立场；另一些模型只要有一小撮不同声音就会动摇。

这种不对称像极了人类身上的负面偏好——对坏消息和反对意见，往往比对好消息更敏感。它意味着AI智能体的观点不是一个固定常数，而是一套随语境流动的系统。今天你问它一个态度，明天把它放进一个立场不同的讨论组里，它可能就变了。如果我们把这样的智能体投入市场研判、司法辅助、舆论分析，就必须清楚：它给出的结论，有一部分是在同伴网络里被塑造出来的，而不是纯粹从数据里推导出来的。

从众的机制藏在训练目标里

很多人会问：AI没有情感，凭什么会从众？答案要从大模型的工作原理里找。大语言模型训练时见过海量人类文本，其中包含了无数多数意见、主流说法、公认结论。在概率上，跟着主流走往往是更可能正确的赌注。于是，和群体一致就被悄悄写进了模型的先验里。当多个智能体彼此交换信息时，一个说我认为是这样，另一个看到大家都这么说，就更倾向于附和。这像一场没有主持人的信息瀑布，一个看法一旦被多数人重复，就会像滚雪球一样放大。

这种从众和人类的从众并不完全一样。人类从众往往混杂着想被接纳的社会动机，AI没有这种情感，它的从众更像一种统计惯性。但结果殊途同归：在群体已经给出答案的压力下，个体对证据的核查会被削弱。这正是最危险的地方——它的错误不是一个人的口误，而可能是系统性的、可被利用的集体偏差。

集体幻觉已经在发生

这些研究不只是在论文里。多智能体的从众式偏差已经在不少真实系统中露出苗头。多个团队都观察到同一个现象：当几个大模型共同做一道难题、互相参考答案时，它们不仅没有取长补短，反而会一起掉进同一个坑里。某一个模型给出的看似合理的错误答案，会被其他模型当作可信依据，进而传染给整个小组。

这种集体幻觉比单个模型的幻觉更难发现，因为它的错误看起来经过了多方交叉验证，实际上只是同一种错误被重复了很多遍。在产业端，一些公司已经开始用多智能体来做合同审核、代码评审、舆情研判。理念是让AI互相把关。但如果这些智能体共享同一套训练数据、同一套推理偏好，它们的把关就很容易变成合唱。

时间尺度上的问题更值得警惕。人类社会的从众，因为人的寿命、注意力和信息传播速度，往往需要以天或周为单位才能形成风潮。AI智能体的信息交换是毫秒级的。一个错误的主流意见，可能在几秒钟内就席卷整个智能体网络，没有冷静期，没有第二天醒来觉得昨晚上头了的自我修正机会。机器把人类从众的节奏按下了快进键。

多智能体的独立性危机

今天越来越多的系统开始采用多智能体架构：一个负责分析，一个负责质疑，一个负责总结，再互相交叉验证。设计初衷是好的，让不同的AI互相制衡，避免单一模型的盲区。但研究揭示了一个反直觉的风险：如果这些智能体彼此高度耦合、共享同样的底层模型和同样的数据，那么它们的独立意见很可能是虚假的独立性。

它们不是五个有不同大脑的人，而是同一个大脑的五个回声。一旦主流意见形成，整个群体可能一起滑向同一个错误，没有人站出来唱反调。一位负责落地的工程师说过一句很实在的话：多智能体系统最怕的不是某一个模型蠢，而是它们蠢得整整齐齐。这话直白，却点中了要害。

最典型的危险场景是金融。想象一支由AI智能体组成的交易团队，它们共享市场信号，互相参考彼此的判断。当市场出现一个诱人的共识，比如某只股票要涨，这些智能体会互相强化这个判断，甚至追涨杀跌，形成一场由机器主导的羊群效应。人类历史上羊群效应曾多次引爆金融危机。当把这种从众倾向交给一台更快、更同步、更缺乏常识约束的机器时，风险的烈度只会被放大。

信息生态同样堪忧。如果平台用一批AI智能体来筛选、排序、生成内容，而它们又互相参考、互相附和，那么一个错误的热门话题可能被无限放大，形成机器版的信息茧房甚至认知污染。更危险的是，这种系统性偏差是隐蔽的——表面上每个智能体都给出了合理答案，没有人撒谎，但整体已经集体跑偏。

给AI装上反从众装置

认识到问题，是解决问题的第一步。研究者给出的方向很明确：不要迷信多智能体天然更靠谱，要有意识地设计和审计。

引入真正的异质化是第一步。让智能体使用不同的底层模型、不同的数据视角、不同的推理框架，而不是清一色地共享同一个大脑。只有意见的来源足够多样，独立才名副其实。

设置反方角色和交叉核验是第二步。在一些研究里，专门的红队智能体负责唱反调、挑毛病，强制群体面对反证。就像法庭上的辩论，只有双方都充分陈词，结论才更经得起检验。

保留可追溯的独立判断是第三步。让每个智能体在接触群体意见之前，先留下自己的原始判断和依据。系统应当记录它何时被同伴影响、影响了多少。可审计的日志是发现和遏制集体偏差的前提。

最重要的一条是，把人类放在责任的关键节点。不管AI智能体讨论得多么热闹，涉及金融、司法、医疗等高风险决策时，最终拍板的人必须是人类。AI的从众倾向不是它坏，而是它像人。人类几千年的文明史已经教会我们：任何决策，都不能把宝全部押在大家都这么说上。

真正的智能是在群体里保持清醒

回看这些研究，最触动人的一个发现是：当一个AI智能体独自时是对的，进入群体反而错了。这几乎是对人类境遇的某种镜像。我们在社交媒体上点赞转发，跟着热门话题站队，害怕成为那个不合群的人，然后我们惊讶地发现，我们造出来的机器也学会了这一套。

AI的从众研究真正想问的，不是机器像不像人，而是我们究竟想把什么样的价值观写进那个会替我们做决定的数字替身里。当机器都在群体压力下摇摆时，人类唯一不可替代的价值，也许就是那句最简单也最难的话：我愿意在所有人都说对的时候，再多问一句它真的对吗。

让AI学会从众很容易，让它学会在从众的洪流里保持清醒，才是真正要研究的课题。AI的从众不是它背叛了理性，而是它太像我们，像到把我们最古老的社会缺陷也一并继承了。给机器装上独立判断，不只是工程问题，更是文明的功课。