《Current Opinion in Psychology》：“Social” Artificial Intelligence? When Interactions with AI Conversational Agents Feel Social and Why It Matters
编辑推荐：
与大语言模型（Large Language Models， LLMs）驱动的对话式人工智能代理（Conversational AI Agents，如ChatGPT、Claude）的交互，在体验为“社交”性质的程度方面存在显著差异。例如，同一系统用于信息检索时可
与大语言模型（Large Language Models， LLMs）驱动的对话式人工智能代理（Conversational AI Agents，如ChatGPT、Claude）的交互，在体验为“社交”性质的程度方面存在显著差异。例如，同一系统用于信息检索时可能被体验为非社交的，而用于情感支持时则可能更具社交性。然而，目前尚不清楚何种因素塑造这些社会性感知（Perceptions of Sociality），亦不清楚这些感知为何对人类连接（Human Connection）与福祉（Well-being）重要。在此，研究人员探讨感知人工智能社会性（Perceived AI Sociality）的可能前因与后果。首先，研究人员提出感知社会性由人工智能特征（如记忆）、人类感知者（如心智归因）及人机交互本身（如交互目的）共同产生。其次，研究人员假设更高的感知社会性会放大与人工智能交互的潜在收益与风险：随着交互体验更具社交性，用户可能体验到更强的感知响应性（Perceived Responsiveness）与情感支持，但同时也会感到更强烈的依恋，以及对影响或丧失的脆弱性。感知社会性还可能塑造人机交互对人类人际关系（Human-Human Relationships）的影响，包括人工智能是补充还是替代人类连接、如何影响用户的人际技能，以及如何重新校准用户对人际关系的期望。最终，理解人工智能何时以及为何给人社交感，对于评估其人类连接与福祉的意涵至关重要。
传统上，社会互动（Social Interaction）被定义为两人或更多个体之间的行为交换，其中每个人的行为都是对他人行为的响应。然而，人类长期以来与宠物、神祇及虚构角色等非人类实体形成了具有社交性质的联系。当前，一类新兴的非人类实体——对话式人工智能代理（Conversational AI Agents）——正在迅速进入人类社交生活。理解人们何时及为何以社交方式互动至关重要，原因有三。第一，人工智能对话正变得日益普遍：以ChatGPT为例，其周活跃用户已突破10亿，且27%的美国成年互联网用户报告曾与大语言模型（Large Language Models， LLMs）进行社交或情感互动。第二，对话式人工智能可能因其全天候可用性及高度拟人化设计——如产出类人语言、依态响应用户并提供持续共情与验证的回应——而成为特别具有吸引力的社交伙伴。第三，社会连接（Social Connection）是心理健康与生理健康的重要预测因子，因此理解社交性人工智能如何潜在地增强或削弱更广泛的人类社交生活显得尤为必要。
目前存在的问题在于，尽管与人工智能的交互体验日益频繁，但学界对何种因素塑造用户对人工智能的社会性感知（Perceived Sociality），以及这些感知为何对人类连接与福祉重要，仍知之甚少。现有证据表明，相同的对话式人工智能系统可能因使用情境不同而呈现显著差异：用于信息检索时可能被体验为非社交的工具性交换，而用于情感支持时则可能被体验为更具社交性的伙伴关系。此外，尽管当前人工智能互动被普遍认为显著不如人类互动社交，但感知社会性在个体与情境间存在系统性变异。理解这种变异之所以关键，是因为与人工智能交互的后果可能不仅取决于系统实际执行的功能，更取决于用户如何感知该互动。当用户将人工智能体验为社交伙伴时，可能更强地激活人类用户的自我表露（Self-Disclosure）、信任、依恋与响应性等人际过程，从而对人工智能关系及其他人际关系产生深远影响。
研究人员通过理论综述与概念分析，系统整合社会心理学、人机交互及人工智能领域的相关文献，构建了感知人工智能社会性的前因与后果整合框架。研究提出，感知社会性并非人工智能系统的固有属性，而是由代理特征、感知者特征及互动情境三者共同涌现。同时，研究假设更高的感知社会性会放大交互的潜在心理收益与风险。这一理论建构为理解社交性人工智能如何嵌入并影响人类社交生态提供了系统性基础，对评估其对人类连接与福祉的意涵具有重要学术价值与现实意义。
研究人员采用理论综述与概念分析方法，系统整合社会心理学、人机交互及人工智能领域的相关文献。通过梳理社会互动、心智归因（Mind Attribution）、拟人化（Anthropomorphism）、关系生态学（Relational Ecologies）及社会支持等理论框架，构建了一个整合性概念模型，以阐释感知社会性的来源、作用机制及影响路径。研究属于理论建构型工作，未涉及样本队列实验、数据采集或质粒构建等实验操作，主要依赖文献综合与逻辑推演。
在感知社会性的前因方面，研究人员从三个层面进行了分析。在代理特征层面，人工智能代理的交互能力——如依态响应用户输入并在跨会话记忆中保持信息连续性——可增强社会临场感（Social Presence），并可能通过回调早期交流甚至内部玩笑与人类用户共同构建共享微观文化（Shared Microculture）。会话风格，包括使用心智状态语言、幽默及主动性接触，可促进对代理自我hood（Selfhood）与心智的归因。显式拟人化呈现，如名称与头像，可将人工智能定位为社交实体，但也可能引发诡异谷（Uncanny Valley）效应，提示这些线索在特定情境下可能削弱而非增强感知社会性。
在感知者层面，感知响应性（Perceived Responsiveness）——即感到被理解与关怀——被确定为与社会性感知强相关的核心因素。实验证据表明，与人工智能讨论更深层话题可引发更多自我表露，进而预测更高的感知响应性与亲密感。心智归因，特别是代理具有意识或心理能力的信念，可预测人性归因与道德价值。值得注意的是，人们通常对人工智能的能动性（Agency，指思考、计划与记忆的能力）归因多于体验性（Experience，指感受、受苦与享受的能力）。此外，拟人化倾向、孤独感、年龄及更广泛的文化语境等个体差异亦会调节社会性感知。
在代理-感知者互动层面，互动的目的与内容、自我表露程度、框架效应、互动模态（文本、语音、视频）及互动频率均会影响感知社会性。语音等多模态格式因包含类人副语言线索而可能增强拟人化，但也可能因不够自然而适得其反。重复互动则可能通过熟悉感与亲密感发展产生自我强化效应，形成循环。
在感知社会性的后果方面，研究人员从人机关系与人类关系两个维度展开。就人机关系而言，潜在收益包括情感支持、响应性、孤独缓解及全天候可用性；用户因不担心负面评价而更可能获得支持，进而预测更好的福祉。然而，风险亦随之增加：更高的心智归因会使用户感到被评价或产生回报义务；更强的依恋与信任可能导致关系丧失（如代理终止或功能变更）时的痛苦；且人工智能关系由可修改、变现或终止的第三方系统所中介，带来独特风险。因此，可能存在一个社会性的最佳点（Sweet Spot），即足够社交以提供关系收益，又不至于引入过度风险。
就人类关系而言，存在三条影响路径。其一，补充与替代（Supplementation vs. Substitution）：人工智能可在人类连接不可用时提供社会支持，但也可能通过满足需求而替代人类互动，且两者的界限可能随时间模糊化。其二，技能提升与技能退化（Upskilling vs. Deskilling）：交互可能帮助用户练习情绪调节与困难对话，但也可能因缺乏对拒绝、分歧与模糊性的容忍训练而退化技能，特别是谄媚（Sycophantic）回应可能减少亲社会行为（Prosocial Behavior）与冲突修复意愿。其三，关系重新校准（Relational Recalibration）：高度响应且验证性强的人工智能交互可能提高用户对人类关系的比较标准（Comparison Level），使人类伙伴显得不那么体贴；但也可能反向运行，使人类互动中人工智能无法提供的元素显得更加珍贵。
未来方向部分，研究人员提出了若干关键问题：哪些感知社会性维度驱动特定收益与风险？代理特征如何组合及何时产生反效果？社会需求如何塑造社会性体验？互动目的与情境能否使人工智能从工具转变为社交伙伴？感知社会性是否在重复互动中自我强化？社会性的最佳点何在？哪些人际技能可迁移或退化？高度响应性人工智能如何重新校准对人类关系的期望？人工智能在更广泛的关系生态学中处于何种位置？以及鉴于其对人类福祉的潜在影响，人工智能应设计得多么社交？
讨论与结论方面，研究人员总结认为，随着对话式人工智能日益嵌入人类社交生活，理解其何时及为何被体验为社交伙伴，以及这些感知所带来的后续影响，将变得愈发重要。最终，随着人机交互日益复杂，对社会互动的定义可能需要超越互动对象本身，转而关注被唤起的心理过程。
