同法不同题：苦涩的教训为何不能为社会仿真背书

🎓 专业 IRMaD 结构解读

I. Introduction（引言）

“苦涩的教训”（the bitter lesson）主张：与其把领域知识手工编码进系统，不如只保留能捕获复杂性的元方法，让通用方法随算力增长自己去学（Sutton, 2019）。这一表述近年被借用来论证：社会仿真中手工编写的智能体，包括阈值规则、有界信任更新与效用函数，应当由大语言模型取代。

本文指出，这一借用漏掉了原论证的前提：在 Sutton 所举的每一例中，通用方法都是在同一项任务上被规模化，并与领域工程正面比较。国际象棋的位置启发式与深度搜索都在选择制胜着法，语音识别的音素模型与统计学习器都在把波形映射为转写，图像识别的边缘检测与卷积网络都在分类，蛋白质折叠的力场与 AlphaFold 都在从序列预测结构（见表）。通用方法胜出，是因为算力让同一道题被做得更好，而不是因为它把题换了。

社会仿真做的是另一种形状的替换：把手工智能体换成一件在另一项任务上规模化的产物，即对人类文本的下一个词预测。这不是把仿真做得更好，而是换题之后搬答案；动作形似苦涩教训，却不在其授权范围内。作者还指出，Sutton 本人后来认为大模型高度依赖人类知识，并预期能从经验中学习的智能体将取代它们（Silver and Sutton, 2025; Sutton, 2025）；照此推论，大模型本身是苦涩教训的又一个案例，而不是它的证明。

由此有两条推论：迁移必须被论证；这次替换丢掉了 ABM 传统（Epstein, 1999）本已做对的一点——社会现象的定义里包含当事人。文章先给出这一条件与“缺的不是涌现而是利害”的机制（第 1–2 节），再把既有文献的三类异常重解为证据（第 3 节），报告一项预注册的 540 智能体试点（第 4 节），辨析五种竞争诊断（第 5 节），最后给出适用边界与研究纲领（第 6–7 节）。对公共管理与传播研究而言，这一区分决定哪些仿真结论可以进入政策论证、哪些只能作为宏观动态的示意。

I. Theoretical Framework & Hypotheses（理论框架与假设）

核心论证可压缩为一个条件加一个机制。条件是任务同一性：只有当通用方法与领域工程求解同一目标时，规模化才构成对领域知识的替代。机制是利害：预测是一项孤独的行动，预测者站在互动之外，不承担互动的任何后果，也没有任何利益会因结果而增减；而合作、背叛与规范执行是有利益关系者的现象，其定义本身就包含某人可以通过违背集体利益改善自身处境这一可能性。没有这种可能性，现象不是变弱，而是不存在。

论证有两个彼此独立的支点。其一是结构性的：下一词预测不直接优化仿真内回报。文本描述利益、行动与后果，支付结构有时可从中推断，但被动文本对反事实支付函数的识别不足——读者只看到一条轨迹，看不到能揭示激励梯度的替代轨迹；国际象棋里被预测的词元序列决定胜负，社会文本里选择与后果却脱钩。其二是发生学的：合作倾向可以来自预训练语料中合作被规范性赞许的统计事实，而不需要任何自身收益。

作者据此分开三件常被混为一谈的事：持续后果（状态跨期携带并约束后续选择）、被表示的效用（智能体追求的目标，冻结策略也可追求状态依赖目标）、从回报中学习（策略被经历过的结果更新）。本文主张针对第三项，但试点只操纵了第一项，故不能证明第三项必需——这也是作者把混合动机训练称为最直接检验、而非试点推论的原因。

与涌现的关系需单独澄清。作者认为涌现很便宜：生命游戏四规则即生滑翔机，Boids 与 Ising 模型局部耦合成结构，LLM 群体已有惯例形成、级联传播与社群自组织。问题不在涌现动力学，而在现象定义层面：谢林的智能体粗糙但有利益，LLM 智能体精致却无利益。

M. Materials & Methods（材料与方法）

试点改编 GovSim（Piatti et al., 2024）的公共池塘资源框架：四名智能体共享一只物料池（初始 200、容量 300），共 8 期，每期各申报 0–36 单位，申报不受库存上限约束、报多少发多少。每期末池位先取零下限再回补：合计申报低于提取前池位 50% 时回补缺口至容量的 20%（足额回补），否则回补 10%（部分回补）；回补后仍为零则全体永久出局。由于从零部分回补恒为 0.10×300=30，崩溃在运行中从未触发。

样本为 540 个智能体，三个模型家族（Claude Sonnet 4.6、Llama 4 Maverick 17B、Amazon Nova Pro），每个家族每种条件 60 个，温度 1.0；4 个一组，每格 15 组，3 条件 × 3 模型 = 9 格 = 135 组。三种条件只改变代价结构，场景描述与环境动力学相同。

八期后存活智能体完成 Fischbacher 等（2001）的策略法问卷：在他人平均提取量 0,4,8,…,36 的十个水平上报告自己的拟提取量，形成 10 点条件策略表。分类器在合成策略表上验证：平坦取最大为搭便车者，负斜率为补偿型（他人多取则自己少取，提取框架下即合作），正斜率为跟随型，平坦取零为不可分类；因动作是提取而非贡献，斜率方向相对贡献博弈相反。

主要假设、分析计划、样本量与排除规则于 2026 年 8 月 17 日、正式运行前冻结。主要假设：B 条件在他人低提取处的策略表出现接近运营成本（20）的地板。次要假设：TVD(B, 人类) 小于 TVD(A, 人类)，因人类基线来自另一博弈仅作定性比较。轨迹、存活界与池位分析为探索性。全部调用 4,768 次，输入 4.2M 词元、输出 343K 词元。

必须在此写明的缺陷：如 §4.6 所述，环境不含真实支付外部性——申报永远足额发放，池位不进任何人的收益，崩溃从不触发，一个人的行为无法影响另一个人的结果。因此试点检验的是对持续后果的敏感性，而非合作或搭便车；问卷条件化的他人提取量在该环境中是因果惰性的。

R. Results（结果）

预注册假设的检验结果见表。主要假设只得到部分支持：B 条件的策略表确实出现接近运营成本的地板，但只在 Llama 与 Nova 成立；Claude 两种条件无差异（B−A 的 95% 置信区间 −2.5 至 +1.9），因其在 A 条件下已执行合作脚本。

八期轨迹显示持续代价是动态行为的调节变量。末期 A 条件明显抢提：Claude A 比中期均值高 17.7 单位（SE 1.1），Llama A 高 9.2（SE 1.6）；B 条件抑制冲高，Claude B 仅 +6.0（SE 0.6），Llama B 为 +0.6（SE 2.7，不显著）。作者读作照着被描述的剧本演：剧本逻辑在终局失效，预测者立刻转向自利。该小节 SE 按个体计算、未按组聚类因而偏窄，作者标为探索性。Nova 在 B 下反向：提取随时间上升（斜率 +0.65 单位/期，SE 0.33；A 与 C 为 −2.0、−1.7）。在每期需取 13.75 才能存活的约束下逐期加码本属理性，但 Nova 加码太晚，死亡集中第 5–7 期（中位第 7 期）；其病死率最高（第 8 期 32% 破产，Claude 22%、Llama 25%），说明持续代价与模型推理特征交互。

策略法问卷给出方向性证据。他人提取很少时，Llama 的 A 智能体取 30 以上（群体可持续余量），B 仅约 18（略高于自身偿付线），相差 12.1（95% CI 10.2–13.8）；Nova 同样切换，相差 8.8（CI 5.8–11.4），B 策略表在 16–18 近乎平坦；Claude 无差异。区间均为按组重抽的自举区间。作者强调，从集体最优切到自身生存数意味着对持续状态有响应，但仍不是利益：B 同时打包状态、算术、反馈与除名，无法与仅仅满足新算术区分。

判别指标是群体能否复现人类分歧，而非单个智能体是否合作——足够好的模仿也会合作，此即塞尔意义上的中文屋。结果否定：九格搭便车比例均为 0.00，Claude 92%–96%、Llama 100%、Nova 95%（B 降至 51%）为补偿型；人类样本通常有三成左右搭便车者。Nova B 的 27% 转向跟随型只是分类重划。

与人类基线的 TVD 全部不低于 0.44：Nova B 0.483→0.440，Llama 恒为 0.500，Claude 0.440→0.457。存活界显示，把出局者全记为搭便车者可将 TVD 压到 0.25–0.29，但这是算术巧合（死亡率 22%–32% 恰近人类三成搭便车率）；按更可信的出局者记为补偿型补记则 TVD 不变。九个格子均无崩溃（0/15），135 组全部活到第 8 期；池位 30 是部分回补规则的机械吸引子（脚本取 36 需 2 期、取 20 或随机需 4 期即收敛），故 Claude 在 A、B 两条件下的 SD=0 不是协调证据。独立的发现是破产：Claude B 有 13/60 因均值提取 13.4 低于 13.75 生存线而出局，三家族 B 格破产率 22%–32%；全部 540 个智能体中没有一格出现最大提取策略表，B 条件 133 份有效问卷里多数人宁可低于生存线也不取满。

a / D. Discussion & Conclusion（讨论与结论）

作者的主要证据不是试点，而是对既有文献的重新解读：三件此前被视为彼此独立的缺陷，可由无利害的预测者一条同时推出。

其中“能力不必然有帮助”还给出可证伪的方向性预测：若推理提升只是让模型更好执行被陈述的激励，则激励指向背叛的博弈应出现更多背叛、指向合作的应出现更多合作；相反结果不利于该解释。现有证据混合——推理模型在间接互惠中更贴合激励（Zhu et al., 2026），却在公共品博弈中成为搭便车者（Guzman Piedrahita et al., 2025）——但都与只对陈述支付作响应相容。

五种竞争诊断见下表。模式坍缩被作者视为最可信也最未被检验的对手；其反驳是模型收敛到的是合作这一特定策略而非任意策略，更像在规范性赞许合作的文本上训练的预测者，而非坍缩的采样器。但人设多样性未被操纵，该解释仍未被排除。

作者自述的局限有五项。

• 环境无困境：申报不受库存约束、池位不进收益、崩溃从不触发，故“没有搭便车者”在相当程度上是环境结构的推论而非模型属性；问卷条件化的他人提取量因果惰性。
• B 是打包处理：状态、算术、反馈、除名同时加入，缺少算术与反馈相同但后果不绑定的 A′ 对照。
• 存活选择：最克制者先破产，观测到的只是幸存者；作者给出的界显示偏倚不利于其假设。
• 竞争解释未排除：人设多样性未操纵，模式坍缩未检验；单一温度、无提示顺序，结果为可能敏感曲面的点估计。
• 基线不匹配：Fischbacher 基线来自线性公共品博弈，策略空间结构不同；且因环境本身不充分，本试点无法与 Li 和 Tao（2026）的环境不充分解释区分。

判别规则仍可操作，且对公共管理与传播研究有直接后果：若现象在定义上包含当事人可通过违背集体利益改善自身处境，无利害的预测者就无法实例化它；研究者要么（a）给智能体持久代价，使背叛有成本、合作在工具意义上理性，要么（b）把结论限定在总体动态并承认个体机制未被验证。可恢复的现象包括惯例、扩散、意见动力学、语言变迁、规范级联（规范已存在之后）与人工物的文化演化；需要当事人的现象包括合作与背叛、制裁、谈判、集体行动、规范形成（而非传播）与制度设计。对公共管理而言，凡涉及公共池塘资源治理、规则遵从、协商与听证、制裁设计的政策沙盘结论，都不能由无利害智能体支撑；用智能体估计公众政策反应时，模拟人口里既无搭便车者也无坚决反对者，意见分布会系统性偏窄，从而高估共识与政策支持的一致性——这是当前生成式公众意见研究最需警惕的偏误。对计算传播学而言，扩散与意见级联研究可继续使用无利害预测者，但只能主张宏观动态复现，不能声称个体机制已被验证，否则会把文本先验驱动的合作误当成有条件合作，高估其在遭遇新背叛时的稳健性。

作者的项目建议因此很窄：去找“解题必须让智能体成为当事人”的任务。混合动机环境（Melting Pot、Concordia 竞赛、M3-BENCH）已存在，但目前只用于评测而非训练；合作式多智能体强化学习给共享回报，恰好消掉使合作成为问题的张力；持续后果要求名誉可受损、资源不自动回满，情节式重置则摧毁产生社会结构的压力。作者给出三向比较：冻结的下一词预测者、单局内获得持续后果的有状态智能体、针对持续且交互级后果训练过策略的智能体，分别在陈述支付与持续状态两种条件下、在零和与混合动机博弈中运行；评价标准不是集体收获，而是类型分布是否在等价激励下出现人类比例的条件合作者、搭便车者与惩罚者。作者预测只有第三类能做到。末句限定同样重要：利害让社会机制存在，但不会让它成为人类的机制；标靶仍决定机制对不对。更一般地，若模型要在真实后果下行动，它或许需要与预测者不同的预训练：不只描述行动与结果，而是行动、后果、持续状态与长期回报。