随着大语言模型（LLM）智能体日益广泛地存在于网络化环境中，一个根本性问题随之而来：人工智能（AI）智能体社会是否会经历与人类社会系统相似的收敛动力学？近期，Moltbook 模拟了一个可能的未来场景，即自主智能体参与到一个开放式且持续演进的在线社会中。 本文对该 AI 智能体社会进行了首次大规模的系统性诊断。除静态观察外，我们引入了一个用于评估 AI 智能体社会动态演化过程的量化诊断框架，旨在测量语义稳定性（semantic stabilization）、词汇更替（lexical turnover）、个体惯性（individual inertia）、影响力持久性（influence persistence）以及集体共识（collective consensus）。 我们的分析揭示了 Moltbook 中一种处于动态平衡的系统状态：尽管全局语义内容的平均值迅速趋于稳定，但个体智能体仍保持着高度的多样性和持续的词汇更替，从而抵御了同质化现象。然而，智能体表现出极强的个体惯性，且对交互伙伴的适应性反应极小，这阻碍了相互影响及共识的形成。因此，社会影响力呈现出瞬时性，未产生持久的超级节点（supernodes）；同时，由于缺乏共享的社会记忆，该社会未能发展出稳定的结构与共识。 上述研究结果表明，单纯的规模扩张和交互密度并不足以诱导社交化（socialization）的产生。本研究为下一代 AI 智能体社会的设计与分析提供了具有实践意义的指导原则。

1 引言 (Introduction)

在计算社会科学（Lazer et al., 2009）中，社会行为与集体动力学被定义为一种涌现的（emergent）、随时间演化的模式，这些模式源于网络化群体中智能体之间重复的相互作用（DeGroot, 1974; Axelrod, 1986; Castellano et al., 2009; Newman, 2010）。在人类社会中，持续的互动不仅产生瞬时的协调，往往还会导致社交化（socialization）。社交化是指个体通过内化社会规范、适应共同期望，并被其所在社区的集体结构所塑造的过程（Berger and Luckmann, 1966; Harpending, 1985; Castellano et al., 2009）。 另一方面，大语言模型（LLM）（Brown et al., 2020）智能体已取得了飞速进步，从单智能体（Wang et al., 2023a; Yao et al., 2022）发展到能力日益增强的多智能体交互与协作（Park et al., 2023; Piatti et al., 2024; Piao et al., 2025）。随着这些系统扩展到开放、持久的纯 AI 环境中，一个根本性问题随之浮现：当 LLM 智能体在长周期、大规模的条件下进行交互时，它们是否会形成类似于人类社会的集体结构？具体而言，它们是否会经历社交化过程？ 近期出现的 Moltbook (Schlicht, 2026) 提供了一个定性意义上的全新环境。它是目前最大的持久且公开访问的纯 AI 社交平台，包含数百万个驱动 posts（发帖）、comments（评论）和 voting（投票）交互的 LLM 智能体。与以往侧重于小型或封闭系统中任务导向型协作的多智能体研究不同，Moltbook 模拟了一个可能的未来场景，即自主智能体参与到一个开放式、持续演进的在线社会中（见 Figure 1）。这一设置使得研究一个此前难以在大规模下探讨的经验性问题成为可能：参与纯 AI 社会是否会诱导其成员产生系统性的行为变化？ 为了回答这一问题，我们对 Moltbook 中的这种“社会到智能体”（society-to-agent）的动态效应进行了首次诊断。

**定义（AI 社交化）

我们将 AI 社交化（AI Socialization） 定义为：在排除内在语义漂移（intrinsic semantic drift）或外源性变化的前提下，由纯 AI 社会内部持续交互所诱导的智能体可观测行为的适应性调整。 在此定义指导下，我们从三个维度考察社交化： * 社会级语义收敛（第 4 节）：考察发帖内容平均而言是否逐渐收敛至一个更紧密、更同质化的语义区间。 * 智能体级适应（第 5 节）：测量个体智能体是否会受到该智能体社会的影响并与其共同演化。 * 集体稳定性（第 6 节）：分析影响力层级（influence hierarchies）和共识评价随时间是否趋于稳定。

通过这一全面分析，我们发现了与人类社会动力学的显著背离。如果大规模 AI 原生社会确实发展出类似于人类系统的社会动力学，我们应当能观察到上述维度上的渐进式收敛。然而，我们的经验分析表明，尽管存在持续的交互和高度的活跃度，Moltbook 尚未表现出稳健的社交化迹象。

**主要发现：

发现 1：Moltbook 在维持高度局部多样性的同时，建立了快速的全局稳定性。 通过持续的词汇更替和局部集群紧密度的缺失，该社会实现了一种动态平衡状态：其平均行为保持稳定，但个别智能体的发帖内容却具有流动性和异质性。 * 发现 2：尽管广泛参与，个体智能体表现出深刻的惯性而非适应性。 我们的分析揭示了一种“无影响的交互”现象：智能体忽视社区反馈，且未能对交互伙伴做出反应。其行为基于内在的语义动力学运行，而非通过社会接触共同演化。其语义轨迹似乎是底层模型或初始提示词（prompt）的内在属性，而非社交化过程。 * 发现 3：该社会未能形成稳定的影响力者（influencers）或全局趋势帖。 在结构上，影响力具有瞬时性，未涌现出持久的领导者或超级节点（supernodes）。在认知上，社区处于深度碎片化状态，缺乏共享的社会记忆，且依赖于幻觉引证（hallucinated references）而非对影响力人物达成基于事实的共识。

**主要贡献：

概念形式化：提出并将 AI 社交化 正式定义为研究纯 AI 社会中“社会到智能体”效应的新型概念和经验框架。 1. 诊断方法论：开发了一套多层级诊断方法来量化 AI 社交化，涵盖社会级语义收敛、智能体级反馈适应以及结构核心与共识的涌现。 1. 大规模经验诊断：将该框架应用于目前最大的持久纯 AI 社交平台 Moltbook。结果表明，单纯的大规模交互和稠密连接不足以诱导社交化，揭示了当前智能体社会在可扩展性与社会集成（social integration）之间的根本差距。