人工智能辅助德尔菲法作为一种未来学研究方法：技术预见中的合成专家与集体智慧

《Futures》：AI-assisted Delphi as a futures method: Synthetic experts and collective intelligence in technology foresight

　　

• 提出了一种利用大语言模型（LLMs）作为合成专家的AI辅助德尔菲（Delphi）框架。
• 探索了基于人格设定的LLM集成方案，以实现严格的共识形成。
• 识别出影响电信未来（2026–2050年）的15个关键因素。
• 展示了面向快速演变行业的可扩展、成本高效的 foresight（未来预测）方法。
• 通过多元化前瞻性的社会技术叙事，推进了关键性的未来研究。

**引言**

全球电信行业正处于一个关键的转折点，正从5G的成熟阶段向第六代（6G）网络愿景的构想阶段过渡。这一演进不仅仅是技术升级，更是一场深刻的社会变革，需要对人类与其可能未来之间的关系进行全面理解（ITU-R, 2023; Yang等, 2020）。面向2026–2050年的时间跨度，行业必须应对范式转变，包括AI驱动的网络设计、融合地面、卫星与边缘计算的基础设施、先进的频谱利用、下一代加密安全以及可持续发展目标（De Alwis等, 2021; Wu等, 2021）。这些转型发生在前所未有的不确定性背景下：技术融合加速、威胁形势演变、地缘政治集团间的标准竞争，以及平衡创新速度与基础设施投资回报的紧迫需求（OECD, 2022; 世界经济论坛, 2025）。在未来研究的语境下，这些动态代表了一个复杂的预期领域，技术轨迹与社会政治、经济及生态约束交织，需要严格的 foresight。

技术 foresight 方法为应对这种复杂性提供了结构化框架，使利益相关者能够预判颠覆性变化、识别战略选项，并围绕可能的未来达成共识（Coates等, 2001; Cuhls, 2003）。德尔菲方法由兰德公司于1960年代开发，已成为专家驱动预测的金标准，通过迭代式匿名咨询实现共识，同时最大限度地减少群体思维和主导效应（Linstone和Turoff, 1975; Rowe和Wright, 1999）。传统的电信领域德尔菲研究已成功指导了频谱分配、技术路线规划和政策制定（Aichholzer, 2009; Schuckmann等, 2012）。然而，在技术指数级变化和全球化知识网络时代，传统的专家咨询面临日益严峻的挑战。实际障碍包括专家可用性受限、地理分布分散、招募成本高昂、多轮流程耗时，以及因小组多样性不足而可能产生的偏见（Gupta和Clarke, 1996; Keeney等, 2006）。对于以跨学科复杂性为特征的电信行业——涵盖工程、经济、政策和地缘政治——组建足够多样化且可及的专家小组变得越来越困难（ITU-T, 2020）。

大语言模型（LLMs）作为通用认知技术的出现，为解决这些局限性提供了变革性潜力（Brown等, 2020; Bubeck等, 2023）。近期研究表明，在适当提示下，LLMs可以模拟专家推理模式、综合领域知识并参与结构化审议（Wang等, 2023; Wei等, 2022）。Nóbrega等（2024）率先提出基于LLM的德尔菲方法（"数字神谕"），随后相关学术成果迅速扩展该领域。Calleo和Pilla（2025）引入了实时AI德尔菲（RT-AID）以提升决策速度，Alon等（2025）综合了近期聚焦AI的德尔菲研究以识别新兴政策线索，Mueller等（2024）探讨了融合人类与AI专长的混合专家小组的潜力。Park等（2025）在医学共识构建方面的平行研究，以及Bell等（2025）在系统工程方面的研究，进一步确立了互补性的示范模式。然而，电信领域的独特特征——包括深度技术专属性（如频谱管理、网络安全协议）、基于标准的领域中的幻觉风险，以及多方利益相关者的地缘政治紧张关系——需要超越通用AI-德尔菲框架的实质性改编。本研究批判性地审视了具有专门人格设定的多样化LLM集成方案在面对挑战AI知识边界和人类专家可用性的领域复杂性时，能否保持共识的有效性，从而质疑关于专家知识生成的假设。

尽管这一方法论创新具有重要意义，但在更广泛的前景研究领域中，将AI辅助德尔菲系统性地应用于电信未来和技术 foresight 仍处于探索不足的状态。该领域的独特特征——快速创新周期、深度技术专业化、监管复杂性和地缘政治敏感性——对合成专家的可靠性和一致性提出了严格的考验。此外，2026–2050年的时间跨度涵盖多个不连续性事件（5G到6G的过渡、量子威胁、气候紧迫性），需要细致入微、多方参与者的共识构建，而传统德尔菲方法难以高效实现规模化。通过将AI整合到 foresight 过程中，我们不仅解决了实际局限性，还质疑了电信未来是如何构建的传统假设，从而使集体预期的视角多元化。这种方法符合未来研究的解放性目标，降低了参与高层 foresight 练习的门槛，使对技术可能性的探索更加包容。

为解决这些空白并探索合成专长在 foresight 中的潜力，本研究由三个主要研究问题指导：

**RQ1（方法论创新）：** AI辅助德尔菲方法利用赋予专业人格的LLMs作为合成专家，在多大程度上能够对复杂的多维电信预测挑战达成严格且内部一致的共识？其收敛动态如何与未来研究中的既定德尔菲原则相一致，特别是关于生成新颖且多样化的未来想象方面？

**RQ2（实质性 foresight）：** 塑造2026年至2050年全球电信格局的关键德尔菲条目有哪些，涵盖技术、经济、监管和地缘政治维度？合成专家如何评估它们的相对优先级和系统性相互依赖关系，从而促进电信未来的多元化？

**RQ3（实用性与批判性反思）：** 与传统专家小组相比，AI辅助的 foresight 方法如何增强电信利益相关者战略规划的 scalability、成本效率和适应性？这对专业 foresight 实践的未来意味着什么，包括其挑战主流叙事和促进更具包容性的前瞻性治理的能力？

我们的贡献体现在三个方面。在方法论上，我们通过证明具有结构化人格的多样化LLM集成方案能够在复杂的多维预测挑战中达成严格共识，推进了AI辅助的 foresight 研究，从而强化了未来研究的理论基础。在实质内容上，我们提供了一个由15个关键德尔菲条目和六个主题维度组成的全面框架，涵盖技术、经济、监管和地缘政治视角，为电信未来提供了基于AI综合专长的新知识，为前瞻性实践提供了新的见解。在实践上，我们提供了一种可规模化、成本高效的替代传统专家小组的方案，使 foresight 练习能够更频繁、更具适应性，并与行业日益加速的创新节奏保持一致。通过这样做，我们为跨学科的预期研究做出了贡献，并提供了关于社会与其技术未来关系的新见解，促进了建立更具社会责任感和生态正义的电信基础设施的坚实知识基础。关键的是，这一AI辅助德尔菲框架通过提炼庞大的领域知识为基线预测，补充了人类 foresight 能力，使专家小组能够绕过基础趋势识别，专注于高层次的战略和伦理复杂性。需要注意的是，该框架的主要贡献在于对现有轨迹和行业路线图的结构化与综合，而非生成具有根本性新颖性或推测性的未来。

本文其余部分安排如下：第2节回顾德尔菲方法、AI辅助预测和电信 foresight 的相关工作。第3节定义研究问题及其社会技术背景。第4节详细阐述我们的AI辅助德尔菲方法论。第5节展示三轮德尔菲过程的应用与发现。第6节讨论其含义、局限性及与传统方法的比较。第7节总结贡献和未来研究方向。

**章节摘录**

**文献综述与理论框架**

探索电信未来需要综合三个不同但相互交叉的领域：德尔菲方法在 foresight 研究中的演变、AI辅助合成专长的新兴范式，以及电信行业特定的前瞻性轨迹。本节将这些框架作为我们研究的背景，识别了推动将大语言模型（LLMs）整合到 foresight 中的理论和实际空白。

**问题定义：在电信领域中驾驭不确定性和存在争议的未来**

全球电信行业目前正面临多种转型性压力的交汇，这使得传统的线性战略规划日益不够充分。面向2026–2050年的时间跨度，行业面临多项同步转型：代际技术更迭（5G到6G及更远的演进）、AI驱动的网络自主性、地面-卫星-边缘混合架构、后量子密码学的紧迫需求、净零排放义务，以及不断升级的地缘政治……

**方法论**

本研究通过实施一种由合成专长驱动、AI辅助的德尔菲过程，在未来研究领域引入了重大方法论创新。在社会科学与 foresight 的"未来转向"（Pink, 2025）背景下，我们的方法解决了可扩展且技术精准的专家征询日益增长的需求。我们定义并实施了"合成专长设计"，即一种用于构建高保真AI人格的结构化框架，以模拟多维度的……

**应用与发现**

本节呈现了三轮AI辅助德尔菲过程所产生的实证结果。研究结果从第一轮的定性主题涌现，发展到第二轮的定量共识形成，最终以第三轮的收敛确认作为结束。研究结果突出了稳健的共识模式和LLM之间的协议动态，为2026年至2050年的电信格局提供了实质性的见解。

**讨论**

本研究表明，采用大语言模型（LLMs）作为合成专家的AI辅助德尔菲方法，能够在复杂的多维电信技术预测中达成严格共识。通过经验证示和理论贡献回应研究问题，我们展示了合成专长增强 foresight 过程的潜力。

**结论**

尽管存在局限性，本研究为AI辅助德尔菲在电信技术预测中的应用提供了严格且可规模化的概念验证。通过通过基于人格的LLM配置来实施合成专长，我们证明了AI辅助方法能够达到既定的德尔菲共识形成和收敛动态标准。在实质内容上，我们的发现为利益相关者提供了一份应对2026–2050年时间跨度的战略框架，确立了……

**CRediT作者贡献声明**

Cihan ?ahin：撰写——审阅与编辑、撰写——初稿、可视化、验证、资源、方法论、调查、形式分析、数据整理、概念化。

**资助声明**

本研究未获得公共、商业或非营利领域任何资助机构的具体拨款。

**生成式AI和AI辅助技术声明**

本研究将生成式人工智能作为重要的方法论组成部分。具体而言，十个大语言模型（LLMs）被配置为AI辅助德尔菲框架中的合成专家，以支持电信领域的技术 foresight 和共识构建。

**利益冲突声明**

作者声明不存在任何已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

Cihan ?ahin