社会规范学习提升动态人机协作兼容性

背景

人类在日常动态交互中能够通过隐性的、难以量化的社会规范（social norms）来协调彼此的行为——这些规范充当着互动主体之间共享的隐性预期。随着以大型语言模型（LLM）为代表的AI智能体日益嵌入日常生活，它们越来越多地参与此类互动，并重塑社会互动结构。然而，现有AI系统在与人类进行高效、体贴且自然的协调时往往表现不佳。研究者假设这一差距源于现有方法仅将模型行为与人类演示对齐，而未明确量化驱动该行为的潜在社会规范。为验证这一假设，该论文选择人-车交互（pedestrian-vehicle interaction）作为代表性动态互动场景，并开发了一个简化实验平台以捕捉其关键交互特征。

核心内容

研究通过该平台收集了3,456组动态人类交互数据，从中识别出人类社会规范的三个核心原则：结果可预测性（outcome predictability）、价值对齐（value alignment）和优势意识（advantage awareness）。将这些原则纳入AI智能体后，显著提升了人机协调性能。在与人进行的闭环交互任务中，融入社会规范的LLM相比基线策略获得了近四倍的总分，并且比人类-人类交互的成绩高出43%。这些发现表明，将隐性的社会规范形式化为显式、可量化的原则，能够使AI智能体在动态交互中实现互惠协调，从而支持其更自然地融入人类社会。

关键要点

• 研究聚焦于动态人机协调中的隐性社会规范，并以人-车交互为简化实验模型。
• 从3,456组人类交互数据中归纳出三个核心社会规范原则：结果可预测性、价值对齐和优势意识。
• 将这三个原则显式编码到LLM驱动的AI智能体中，显著提升了人机协调表现。
• 融入社会规范的LLM在闭环任务中总分比基线策略提升近4倍，比人类-人类交互提升43%。
• 该工作表明，将隐性社会规范形式化为可量化原则是提升AI与人类自然兼容性的有效途径。

意义与影响

该研究为人机协调领域提供了一种全新的范式：不再仅仅通过模仿人类行为来训练AI，而是通过挖掘并显式建模人类互动背后的隐性社会规范，使AI能够理解并遵守共享的预期。其成果不仅在人-车交互场景中验证了有效性，更为未来AI系统嵌入更广泛的社会互动（如自动驾驶、协作机器人、社交助手机器人等）奠定了理论基础。通过将社会规范转化为可计算的先验知识，AI有望在动态、不确定的环境中与人类实现更自然、高效且互利的协调，推动AI从“工具”向“社会伙伴”的角色演进。