先说一个最近很深的感触当 AI 被放进一个需要“合作博弈”的人际场景里人对它的态度会发生非常微妙的变化。我们一边嘴上说着“AI 只是工具”一边会在博弈中不自觉地对它采用更“精于计算”的策略甚至比对待真人合作者更像一名纯粹的利益驱动者。这个现象不仅是社会心理学问题也牵涉到决策时的神经加工过程。本文围绕一个交叉研究主题展开——人工智能互动情境中的社会合作行为及其神经机制核心是“当合作对象变成 AI成人合作的‘利益最大化’及其神经基础”。我会把这项研究拆解成几个便于理解的部分先交代研究背景与理论基础再拆解经典实验范式然后给出行为数据分析的 Python 示例以及神经机制的研究思路最后讨论常见质疑、工程落地与学习路线。适合对 AI 认知科学、人机交互、行为实验设计和脑科学交叉方向感兴趣的读者。1. 当合作对象变成 AI研究背景与核心问题1.1 AI 不再是纯粹的“工具”而是情境里的合作对象过去我们讨论 AI比较习惯把它当作“执行指令的装置”输入提示词、得到结果、最多再加一层参数调整。但在越来越多的产品中AI 开始以“智能体”的身份出现例如智能客服、自动驾驶领航员、大模型驱动的对话助手甚至和人类一起组队打游戏、做项目决策。当 AI 具备一定自主性、能观察状态并做出策略性反应时人就会产生一种“它似乎有一点意图”的感觉。这种感觉并不代表我们认为 AI 有意识但足以影响我们的决策方式。于是科学研究顺势提出了一个更具体的问题把人放进一个必须和另一个对象合作或竞争的任务里当对面那个人被替换成一个 AI 代理人们的行为策略会发生什么变化这个问题的价值不只在于满足好奇心。它直接影响 AI 产品该怎么设计如果使用者对一个 AI 伙伴更愿意“利益最大化”那么产品的信任建立、反馈方式和情绪安抚设计就都要跟着调整。1.2 研究主题里的关键词利益最大化与神经基础在该研究主题里一个核心假设是成人在与 AI 合作时会更多地采用“利益最大化”策略而较少使用对真人时常见的“社会互惠”策略。也就是说面对同类时我们可能会因为公平感、信任感或担心破坏关系而选择合作面对 AI 时这些社会心理约束减弱决策更容易变成“怎么选收益最大就怎么选”。“神经基础”则是要去追问这种策略差异发生在人脑的哪些区域是负责计算的系统更活跃了还是负责“理解他人想法”的系统被弱化了这类研究通常涉及脑成像或脑电实验把行为数据和神经信号结合在一起揭示策略变化背后的加工机制。1.3 本文读者与学习收益如果你有心理学、认知神经科学、人机交互或 AI 产品背景本文会帮助你理解这类研究如何设计、如何分析、如何避免踩坑如果你是纯技术背景也能从文章中获得一个新的视角AI 性能提升之外还有一个重要维度是“人如何感知和回应 AI 的行为”。文章里所有代码都给出完整示例思路但真实实验中的具体参数和统计模型需要根据你的实验设计调整。2. 先厘清几个核心概念合作、利益最大化与心智感知2.1 什么是社会合作社会合作指的是个体之间通过协调行动使整体收益或共同目标得以实现的过程。它在经济学里往往被形式化为博弈论模型例如囚徒困境、公共品博弈和信任博弈。合作不等于“利他”准确地说合作是个体在权衡自身收益和集体收益之后做出的策略性选择。合作可以出于互惠预期、社会规范、公平偏好也可以出于纯粹的利益计算。理解这一点很重要因为当我们讨论“和 AI 合作”时很容易把“合作”和“友善”混为一谈。实际上一个理性的人完全可能出于利益最大化而与 AI 合作——不是因为它可爱而是因为预期这样做收益更高。2.2 “利益最大化”是把双刃剑“利益最大化”profit maximization / self-interest maximization来自理性选择理论。传统经济学假设人是自利的理性主体会通过比较不同选择的成本和收益选择最能满足自身偏好的方案。但大量行为经济学实验发现真实人类并不总按收益最大化行动他们会惩罚不公平行为、愿意牺牲收益维护声誉、会表现出互惠倾向。这就构成了一个研究张力当合作对象是 AI 时人们会“退回”到纯粹的利益最大化模式还是会因为拟人化设计而继续表现出社会偏好题目中的观点倾向于前者——成人在 AI 面前更接近“理性经济人”。这也许是因为我们无法对 AI 建立“社会声誉”上的绑定关系也可能是因为 AI 的行为被我们感知为“程序化”从而减弱了情绪和信任的卷入。2.3 心理理论与心智感知“心智感知”mind perception指的是人类在多大程度上认为另一个对象具有思想、意图和感受。它和社会认知密切相关。研究发现人们对机器人、AI 助手的心智感知往往比较低但会因为外观、语气、行为可解释性的变化而改变。心理理论Theory of Mind, ToM则更复杂它指我们能够推断他人的信念、意图和情绪。面对真人合作者心理理论几乎自动启动对方会怎么想我这样选会不会被误解能不能信任对方但面对 AI 时这个机制可能被削弱因为我们会认为 AI 没有“真正的信念”只是执行算法。研究主题里提到的“神经基础”正是在这一点上和认知神经科学交汇心理理论通常依赖特定脑区活动如果人和 AI 合作时这些脑区激活水平下降我们会更有把握地认为“人类确实没有把 AI 当作真正的心理主体”。3. 实验范式怎么科学地研究“人和 AI 合作”3.1 经典博弈任务研究社会合作最常用的实验范式是博弈任务。以囚徒困境为例两名参与者可以选择“合作”或“背叛”合作会带来较低的共同收益但若一方背叛而另一方合作背叛者能得到短期最大收益。公共品博弈则让多人向公共池投钱投资会被放大后平均分配搭便车者不投资也能分到收益。这类任务的好处是策略空间明确收益结构可控能清晰计算“利益最大化”的选择是什么。把任务中的“另一个玩家”替换成 AI 并不难难点在于如何让被试相信对面真的是 AI或者至少相信对方的行为是由 AI 算法产生的。3.2 研究设计思路人类伙伴 vs AI 伙伴一个典型的被试内设计会是这样条件 A被试被告知正在与另一名人类参与者在线配对完成博弈。条件 B被试被告知正在与一个 AI 代理配对完成相同博弈。两个条件的收益结构、反馈顺序、延迟时间尽可能保持一致。研究者记录被试每一轮的投资额、合作选择、对 AI 可预测性的评分以及信任问卷。关键控制点在于很多在线实验平台中“人类玩家”可能本身也是脚本程序这在伦理上是需要申报说明的。如果希望研究 AI 身份本身的效应就不能让 AI 的行为风格过于拟人或过于机械避免额外变量干扰。3.3 测量指标行为层面通常记录以下指标指标含义预期作用合作率三轮中选合作的次数占比衡量总合作倾向投资额/贡献额公共品博弈中投入的金额衡量愿意承担风险的意愿背叛后的修复速度对方背叛后被试多久恢复合作衡量信任修复主观信任评分对伙伴可信任度的主观评分测量感知层面的信任感知人类度觉得对方有意图和情绪的程度最核心的操纵检验在神经机制实验里还会同步采集 fMRI、EEG 或 fNIRS 数据以观察不同条件下的脑活动差异。4. 行为数据怎么分析Python 示例为了让你更直观地理解这类研究的数据处理思路我用模拟数据写一个简化示例。假设有两组被试分别与人类伙伴和 AI 伙伴完成公共品博弈每轮投入金额 0 到 20 元。4.1 模拟数据import numpy as np import pandas as pd np.random.seed(42) n_participants 30 n_rounds 20 rows [] for p in range(n_participants): for r in range(n_rounds): # 与人类伙伴投入金额偏高且波动较大反映社会互惠 human_invest np.random.normal(14, 4) # 与 AI 伙伴投入金额更接近“最优解”假设最优解为 12 元 ai_invest np.random.normal(12, 2) rows.append({participant: p, round: r, partner: human, invest: human_invest}) rows.append({participant: p, round: r, partner: ai, invest: ai_invest}) df pd.DataFrame(rows) # 去掉超出边界的值 df[invest] df[invest].clip(0, 20) print(df.head())这段代码只是生成示例真正的实验数据来自行为实验系统。这里重要的是数据结构每条记录对应用户在某轮中面对某类伙伴的投入值。同一被试同时参加两个条件因此是配对/重复测量设计。4.2 计算均值和配对比较pivot df.pivot_table(indexparticipant, columnspartner, valuesinvest, aggfuncmean) pivot[diff] pivot[human] - pivot[ai] print(pivot.head()) # 配对 t 检验 from scipy import stats t, p_value stats.ttest_rel(pivot[human], pivot[ai]) print(ft {t:.3f}, p {p_value:.4f}) print(f人类伙伴平均投入{pivot[human].mean():.2f}) print(fAI 伙伴平均投入{pivot[ai].mean():.2f})在真实研究里如果结果显示人类伙伴条件下的投入额显著高于 AI 伙伴条件则支持“面对 AI 时更接近利益最大化”的假设。当然这只是最简单的分析实际至少还要考虑性别、对 AI 的态度、是否相信操纵信息等协变量。4.3 混合效应模型示例行为实验的数据通常包含被试和轮次的随机效应更适合用混合效应模型。这里用statsmodels的线性混合模型演示import statsmodels.api as sm from statsmodels.formula.api import mixedlm model mixedlm(invest ~ partner, datadf, groupsdf[participant], re_formula~partner) result model.fit() print(result.summary())这个模型把“被试”作为随机效应核心解释变量是partnerhuman 或 ai可以更合理地处理重复测量数据。如果在实际研究中投入金额不是正态分布可以使用广义线性混合模型例如设定二项分布来预测“是否选择合作”。5. 神经机制从行为到脑的追问5.1 关注哪些脑区社会决策研究通常会关注一个“社会认知网络”包含内侧前额叶皮层dmPFC、颞顶联合区TPJ、前扣带回ACC、前脑岛和前额叶皮层等区域。这些区域在处理心理理论、公平判断、信任和预期收益时各有分工。脑区主要功能假设在人机合作研究中的潜在角色dmPFC推断他人意图、社会评价面对真人时更活跃面对 AI 时可能减弱TPJ心理理论、注意重定向加工“AI 是否有意图”的关键候选脑区纹状体奖励预测、习惯化策略利益最大化计算增强时活动可能升高前脑岛负面情绪、不公平感面对 AI 背叛时可能反应较弱dlPFC认知控制、策略权衡在“要不要信任 AI”时承担控制功能5.2 两种可能的神经加工模式根据“双加工”视角人类决策可以依赖自动化的社会直觉加工也可以依赖慢速的、需要认知资源的理性计算加工。一个可能的研究预测是和真人合作时dmPFC、TPJ 构成的“心理理论网络”活动更强说明人们真的在思考“对方的想法”。和 AI 合作时这一网络活动减弱而价值计算相关的额叶-纹状体回路活动增强说明决策更接近收益计算。这种模式正好对应题目里“利益最大化及其神经基础”的说法。值得强调的是目前在领域里这仍然是研究假设不同实验可能得到相反结果取决于 AI 外观、交互方式和被试的熟悉度。5.3 神经数据可以怎么分析以 fMRI 为例分析思路大致是先做预处理再基于理论定义 ROI感兴趣区提取每个条件下各 ROI 的平均 beta 值最后进行条件间比较。下面是一个用 NumPy 模拟 ROI 信号并做统计比较的示意import numpy as np from scipy import stats # 模拟 30 名被试在两个条件下的 ROI 信号 np.random.seed(10) human_roi np.random.normal(0.5, 0.3, 30) ai_roi np.random.normal(0.2, 0.3, 30) t, p stats.ttest_rel(human_roi, ai_roi) print(f人类条件 ROI 均值{human_roi.mean():.3f}) print(fAI 条件 ROI 均值{ai_roi.mean():.3f}) print(ft {t:.3f}, p {p:.4f})这段代码只用于说明统计流程真实研究需要从预处理后的脑影像中提取特定脑区信号。EEG 实验则往往关注 N170、P300、内侧额叶负波MFN等事件相关电位MFN 对“异常结果和期望差异”尤其敏感可以用于观察 AI 背叛和人类背叛在神经反应上是否不同。6. 完整研究流程与可行性建议6.1 研究流程梳理一个相对完整的人机互动博弈研究通常按以下顺序展开提出假设例如“面对 AI 伙伴时被试的合作策略更接近利益最大化且心理理论脑区激活下降”。选择实验任务囚徒困境、公共品博弈或信任博弈。搭建实验系统可以使用 jsPsych、PsychoPy、Unity 或 Web 平台将 AI 代理接入任务逻辑。完成伦理审查涉及人体实验时必须提交伦理委员会材料这是硬性要求。招募被试并采集数据行为数据与神经数据同步记录。数据预处理与统计分析行为数据用混合效应模型脑影像用 SPM、FSL 或 fMRIPrep。结果解释与开源发布尽量共享实验代码、匿名数据和分析脚本提高可复现性。6.2 新团队怎么起步如果你所在团队没有脑成像资源不建议一上来就做 fMRI。可以先用在线行为实验验证核心行为效应再考虑 EEG 或 fNIRS。fNIRS 设备成本较低、便携对前额叶区域的信号比较敏感适合研究社会决策中的前额叶激活变化。行为实验本身也可以从小样本开始但最终正式实验样本量需要通过功效分析确定。建议使用 G*Power 或 Python 的statsmodels做先验功效分析避免因为样本量过小得不到稳定结论。6.3 技术选型建议实验呈现PsychoPy 适合实验室环境jsPsych 适合在线实验。AI 代理可以用简单规则算法例如“按上一轮结果调整合作概率”也可以接入大语言模型但要保持行为策略可控。数据存储使用 JSON 记录每一轮的状态、动作和反应时。统计工具Python 的 statsmodels、R 的 lme4 都是常用选择。7. 常见质疑、误区与排查思路这类交叉研究最大的坑不是代码复杂而是“研究结论被高估”。我整理了几类高频问题可以作为设计或审稿时的自查清单问题现象可能原因解决思路被试怀疑对方不是真人/AI身份造假不够真实加入操纵检验问题增加 AI 个性化反馈在实验后询问猜测行为差异不显著样本量不足AI 行为策略太像人扩大样本让 AI 策略在可预测性和拟人性之间做正交设计神经结果难以解释没有 ROI 假设多个脑区多重比较先注册假设给定 ROI使用 FDR 或 family-wise error 校正复现失败实验平台、任务参数不同公开完整参数配置使用标准化任务库伦理争议欺骗被试实验后充分 debrief申请伦理审查时说明欺骗程度和事后补救关于伦理要特别说明在研究中设计“AI 身份”欺骗本质上是在操纵被试的认知必须提前提交伦理审查。被试在实验结束后有权知道真实的实验目的和搭档身份因此实验流程中必须包含 debriefing 环节。这不仅是合规要求也是研究诚信的基本保障。8. 对人机交互设计与 AI 产品落地的启示8.1 产品不应默认“人类会像对待人一样对待 AI”很多 AI 产品希望用拟人化设计换取用户信任但这项研究主题提示用户对 AI 的策略性认知可能很强。比如在自动谈判、智能助手推荐方案、AI 理财顾问等场景中用户会快速把“AI 的建议”当成一种需要计算收益的输入而不是一份需要维护关系的提议。产品设计如果只强调“温暖可爱”却无法提供清晰的收益逻辑用户反而会感到不可预期。合理做法是让 AI 的决策依据透明可解释。至少要让用户知道 AI 会依据什么原则行动以及合作或拒绝合作之后会发生什么。透明度会减少不确定性也能让“公平感”更容易建立。8.2 什么时候该强化“社会性”什么时候不该如果任务需要长期协作、情感支持和信任建立适度的人设、情绪反馈和一致性行为是有帮助的。但如果是高频交易、医疗诊断辅助、安全决策等高风险场景过度拟人化可能误导用户用户以为 AI 在“考虑我的利益”实际上 AI 只是在优化目标函数。这时应该弱化拟人化强化结果透明度与责任边界。研究里“利益最大化”现象还可以作为产品设计的一个反向指标如果用户明显把 AI 当作“工具性对手”那么在这个场景中就不该投入大量资源建设 AI 的“伙伴人格”而应转向优化交互效率和用户控制感。8.3 下一步学习与复现建议如果你想深入这个领域建议按下面顺序推进先读几篇经典论文了解信任博弈、公共品博弈的基本范式。用 jsPsych 或 PsychoPy 搭一个最小规模的博弈实验验证自己能否复现“人类对 AI 的利益最大化”行为效应。加入主观问卷测量用 Python 做分析形成一份小报告。有设备条件后再叠加 fNIRS 或 EEG逐步从行为研究走向神经机制研究。不要一开始就追求大规模数据先把实验逻辑和操纵检验做扎实。对于已经有 AI 技术背景的开发者也可以换个角度参与把研究里的“AI 行为策略”建模成强化学习或博弈论智能体从算法角度模拟不同策略如何影响人类被试的信任与投入。这是一种非常有趣且可行的跨学科切入点。最后想说的是人类如何理解 AI、如何在与 AI 的互动中调整自己的社会行为可能是未来几年人机交互和 AI 产品研究中最值得持续观察的问题之一。如果你正准备设计一款“需要用户配合 AI 完成目标”的产品建议先把题目里那七个字放在心里——当合作对象变成 AI人的选择可能比你以为的更冷静、更现实。
