提出单/多智能体人类-AI好奇心生态玩具框架

背景

好奇心是驱动人类和智能体探索未知的核心动力。然而，现有研究多关注单个智能体的好奇机制，缺少对多智能体共享知识空间中好奇心动态演化的系统建模。这篇发表于 arXiv cs.AI 的论文（提交日期为 2026 年 7 月 7 日）提出一个“玩具框架”（toy framework），将好奇心视为一种生态系统，兼顾单智能体策略与多智能体交互。该文是作者另一篇正在 Trends in Neurosciences 审稿中的论文的配套文章，旨在为设计具有发现能力的多智能体 AI 系统提供概念工具。

核心内容

论文的核心是构建一个抽象模型，将好奇心形式化为决策问题。框架首先考察单个智能体（可以是人类或 AI）的探究策略：智能体如何、何时以及为何提出问题。这一策略取决于四个关键因素的加权：

• 即时不确定性降低：提问能立刻消除多少不确定信息。
• 成本：提问所需的资源（时间、计算、能量等）。
• 延迟回报：答案可能带来的长期收益（如启发新问题、积累知识）。
• 保持问题开放的价值：暂时不回答可能保留未来探索机会的潜在收益。

一个关键概念是：这些决策项的权重并非固定，而是随经验动态调整。例如，如果智能体经历一段低成本、快速得到答案的时期，它会在短期内降低对成本项的敏感度，从而更倾向于频繁提问；这种短期行为变化会进而影响长期偏好——智能体会逐渐被吸引去回答那些在过去模式中获益最多的问题类型。

框架的第二部分将上述思路扩展到多智能体场景。多个智能体共享一个“知识景观”（knowledge landscape），每个智能体独立或协作提问和回答。框架用以下指标跟踪系统层面的好奇心生态：

• 探究量（inquiry volume）：单位时间内所有智能体提出的问题总数。
• 主题多样性（topic diversity）：问题覆盖的知识领域广度和分布。
• 前沿导向探究（frontier-directed inquiry）：问题是否指向知识空间的前沿或未知区域。
• 冗余（redundancy）：多个智能体重复探究相同问题的程度。
• 可重用知识（reusable knowledge）：已被回答并能被其他智能体间接利用的知识量。

通过调整单智能体的权重参数以及多智能体间的交互规则（如是否共享答案、是否存在竞争或合作），该框架可以模拟不同好奇心生态的涌现模式。论文强调这是一个“概念性玩具框架”，旨在提供思考抓手而非精确预测。

关键要点

• 单智能体好奇心的决策由即时不确定性降低、成本、延迟回报和保持问题开放价值四个因素加权决定。
• 这些权重的经验依赖性使得好奇心策略具有短期和长期的双尺度动态：短期反馈改变成本感知，长期改变问题类型偏好。
• 多智能体好奇心生态使用五个核心指标刻画：探究量、主题多样性、前沿导向探究、冗余和可重用知识。
• 框架不预设特定智能体架构，适用于人类、AI 或混合群体。
• 研究目标是理解好奇心在不同调节参数下如何从个体行为涌现为系统级生态。
• 该框架是概念性的，作者将其定位为后续实证研究和建模的起步工具。

意义与影响

该框架的最大贡献在于将原本分散的好奇心研究（心理学中的好奇心、强化学习中的探索-利用、多智能体系统中的知识共享）整合到一个统一的概念空间。通过引入权重随经验变化的假设，它解释了为什么智能体在长期中可能表现出不同的好奇“性格”，以及短期环境变化如何重塑这种性格。

在多智能体 AI 设计层面，该框架为构建“发现型 AI 系统”提供了初步蓝图。例如，可以通过调整冗余惩罚或前沿奖励来引导一群 AI 智能体高效覆盖未知领域，同时避免重复劳动。此外，可重用知识的引入使得跨智能体知识传播的边际效益可被量化，这对分布式科学发现平台、开放问答系统等场景有直接启示。

论文也坦承自身局限性：框架尚未形式化为可计算的数学模型，也未进行实验验证。但作为“玩具框架”，它为未来研究者提供了一个清晰的变量清单和观测维度，从而能够更系统地设计实验、收集数据并迭代理论。随着多智能体大模型（如多智能体 LLM 系统）的兴起，这种跨学科的概念框架有助于打通神经科学、认知科学与人工智能之间的沟壑。