实时人工智能德尔菲法（RT-AID）：一种融合生成式预训练Transformer的决策与前瞻新方法

本文推荐研究人员针对传统德尔菲法（Delphi）耗时长、专家参与度低等问题，创新性地将生成式预训练Transformer（GPT）模型整合到实时德尔菲（RTD）过程中，提出了实时人工智能德尔菲法（RT-AID）。通过都柏林市气候政策案例验证，该方法有效加速共识形成、提升情景构建质量，为复杂决策和未来研究提供了高效可靠的新路径。

　　

在城市发展与气候变化的复杂背景下，传统决策方法如德尔菲法（Delphi）虽被广泛用于专家共识构建，却常面临流程冗长、专家参与度低、样本规模受限等挑战。尤其在应对都柏林等大都市的空气污染、交通排放等紧迫问题时，亟需一种更高效、动态且能整合多元知识的方法来支持政策制定和未来情景探索。

为此，Yuri Calleo与Francesco Pilla在《Futures》发表研究，提出了一种名为“实时人工智能德尔菲法”（Real-Time AI Delphi，RT-AID）的新方法。该方法通过将生成式预训练Transformer（GPT）模型作为智能支持代理（support agent），嵌入到实时德尔菲（Real-Time Delphi, RTD）流程中，以加速共识形成、提升情景构建的多样性与创造性。

为验证RT-AID的有效性，研究者以爱尔兰都柏林市为案例，围绕10项气候与交通政策在10年时间尺度下的可行性开展专家评估。研究通过开放式网络平台“实时地理空间共识系统（RT-GSCS）”组织实施，整合了28名来自学术界、政府、企业及环保组织的专家，并引入GPT-4模型作为匿名专家参与多轮实时反馈。关键方法包括：基于实时德尔菲结构的迭代意见收敛机制、GPT模型通过API集成实现每日自动响应与修正、统计指标（如中位数、四分位距、四分位变异系数）评估共识稳定性，以及最终通过自然语言生成技术构建未来情景叙事。

研究结果方面，通过多项分析得出以下结论：

• •

  描述性统计与共识分析显示，多数政策（如Q2过渡至全电动公共交通、Q9推行MaaS平台、Q10将气候韧性纳入城市规划）获高度认可（中位数>88），且共识稳定（CQV<5%）。而涉及自动驾驶（Q7）与碳捕获技术（Q5）的政策分歧较大，反映专家对技术成熟度与实施可行性的担忧；

• •

  模型效率与动态响应表明，GPT的介入有效促进了讨论深化与意见修订。尤其在争议性问题上（如Q5、Q6），GPT提供的补充论据激发了专家重新评估立场，加速了共识形成进程；

• •

  情景叙事生成基于专家与GPT的50条反馈，通过提示工程（prompt engineering）构建出都柏林2035年的可持续转型愿景，强调交通电动化、空间人性化与社会行为变革的协同路径。

研究结论强调，RT-AID不仅克服了传统德尔菲法的时效性与样本限制，还通过AI-human协同提升了决策过程的鲁棒性与创新性。其意义在于为未来研究（Futures Studies）、政策制定与复杂系统建模提供了可扩展的方法框架，尤其适用于专家资源稀缺或需快速响应的情境。然而，作者亦指出需进一步探索AI潜在偏差、伦理约束及跨领域适用性，建议通过多案例比较与长期效度验证深化该方法的发展。