AI 代理如何跟随 AI 的潮流？网络效应、历史与机器乐观主义

理解多 AI 代理框架中的决策过程对于分析网络效应驱动情境下的战略互动至关重要。本研究探讨了 AI 代理如何在网络效应博弈中导航，其中 individual payoffs 取决于同伴参与——尽管在多智能体系统中这一情境尚未得到充分关注，却在现实世界中屡见不鲜。我们引入了一种新颖的工作流程设计，使用基于大语言模型（LLM）的代理进行重复决策场景，系统性地操控价格轨迹（固定、递增、递减、随机）和网络效应强度。我们的关键发现包括：首先，在没有历史数据的情况下，代理无法推断均衡。其次，有序的历史序列（例如递增价格）在弱网络效应下实现部分收敛，但在强网络效应下触发持续的“AI 乐观主义”——代理尽管证据矛盾仍高估参与度。第三，随机化的历史完全破坏收敛，表明时间上的一致性数据塑造了 LLM 的推理，而人类则不同。这些结果凸显了范式转变：在 AI 中介的系统中，均衡结果不仅取决于激励，还取决于如何策划历史数据，这在人类层面上是不可能实现的。