AI与人类决策机制在日常协作实验中的对比研究：揭示大语言模型在动态博弈中的局限性

本研究针对AI（特别是GPT-3.5/GPT-4）在动态协作决策中的表现展开实验，通过40天通勤路线选择游戏对比人类、强化学习(RL)与大语言模型(LLM)的决策机制。发现LLM虽能学习历史经验实现系统收敛，但在群体协作、风险感知和物理知识理解方面显著弱于人类/RL，为AI在交通优化等现实场景的应用划定边界。

　　

在人工智能迅猛发展的今天，大型语言模型（LLM）是否能够替代人类进行复杂决策成为学界热议话题。特别是在需要多主体动态协作的日常生活场景中，如通勤路线选择、餐厅预订等，AI的决策能力直接关系到其实际应用价值。然而现有研究多集中于简化博弈场景，对LLM在重复性、动态性和协作性并存的真实环境中的表现仍缺乏系统评估。这导致一个重要认知缺口：当个体决策与集体结果相互依存时，LLM能否像人类一样权衡风险收益并达成群体最优？

针对这一科学问题，浙江大学智能交通系统研究所联合心理学系、美国亚利桑那大学等机构的研究团队，在《iScience》发表了一项开创性研究。他们设计了一个持续40天的多OD（起讫点）通勤路线选择实验，通过对比人类参与者、强化学习（RL）算法和两种LLM（GPT-3.5与GPT-4）的决策表现，首次系统揭示了AI在动态协作决策中的优势与局限。

研究采用实验经济学与计算建模相结合的方法。实验设计模拟真实通勤场景：15名参与者（9人OD1组/6人OD2组）连续40天在局部道路（Local1/Local2）与快速路（Expressway）间做出选择，每天可切换路线3次。通过BPR（Bureau of Public Roads）函数量化道路拥堵成本，记录个体选择模式与系统收敛过程。关键技术包括：1）多OD网络动态博弈框架；2）基于Sorensen-Dice系数（SDC）的均衡状态量化；3）强化学习（IA2C算法）对比实验；4）四类决策者（天真型/策略型/探索型/现状型）分类模型。

【系统整体结果】
数据分析显示，RL与人类在总旅行时间上无显著差异（p=0.2410），而GPT-3.5/GPT-4分别比人类高出36.7%/25.4%（p<0.0001）。Kruskal-Wallis检验揭示LLM个体成本分布更分散（GPT-3.5标准差23.48 vs 人类5.01），表明其引入的系统不公平性。值得注意的是，在需求不均衡（OD1:OD2=9:6）时，人类与RL能有效分配流量，而LLM导致OD1组成本显著更高（p<0.01），凸显群体协作缺陷。

【系统收敛进程】
通过用户均衡（UE）与系统最优（SO）的SDC指标分析发现，人类与RL在UE-SDC上无差异（0.973 vs 0.971，p=0.996），但LLM显著偏离（GPT-4:0.902）。动态追踪显示人类初期成本更低，得益于先验知识；而LLM学习曲线陡峭，如GPT-3.5初期因快速路严重拥堵引发大规模路线迁移（89.3%参与者为现状型决策者），反映物理世界认知不足。

【个体路线切换动态】
ANOVA显示GPT-4切换频率最高（1.24次/天 vs 人类0.78次，p<0.0001），GPT-3.5最低（0.17次）。回归分析发现GPT-4切换次数与成本强相关（R²
=0.57），而人类（R²
=0.32）和RL（R²
=0.15）更稳定。风险偏好测试表明，LLM对快速路使用率始终低于UE基准（人类：4.2 vs UE=7），揭示其过度风险规避倾向。

【个体决策机制】
条件概率模型将决策者分为四类：人类初始以现状型为主（40%），随时间推移增至64%；GPT-3.5极端集中于现状型（89.3%→93.3%），GPT-4则天真型激增（38.7%）。这种失衡的结构解释LLM表现：GPT-3.5因过度保守陷入次优均衡，GPT-4则因频繁切换导致系统震荡。

结论与讨论部分指出，该研究首次实证了LLM在重复性协作决策中的三重局限：1）群体选择感知薄弱，如GPT-4无法识别OD组间竞争；2）决策类型结构失衡，如GPT-3.5缺乏策略型决策者；3）物理知识缺失导致初期高成本。尽管LLM展现人类式的经验学习能力，但其在餐厅预约、股票交易等现实场景的应用仍需谨慎。研究提出的实验范式与评估框架（如SDC指标、决策者分类模型）为AI社会行为研究树立新标准。未来工作将聚焦提示工程优化与对话记忆管理，以增强LLM对群体动态的感知能力。值得注意的是，人类与AI混合决策可能催生新型社会现象（如"AI霸凌"），这为数字伦理研究提供了重要方向。