通研院&北大：智能體如何提升社交能力？

導語

為什么許多社交智能體“寫得通順，卻一眼假”？問題往往不在語言能力，而在它們既不像某個穩定的個體，也未真正嵌入社會關系網絡。北京通用人工智能研究院聯合北京大學研究提出自演化社交智能體 EvoBot，通過生成器與檢測器的對抗博弈，讓模型在社會反饋中持續升級，逐步學會更真實的個性化表達與社會化互動。

關鍵詞：社交智能體、擬人化生成、個性化、社會化、對抗學習、自演化

孔繁奇、封雪丨作者

論文題目：Enhancing LLM-Based Social Bot via an Adversarial Learning Framework 論文鏈接：https://aclanthology.org/2025.emnlp-main.1185/ 發表時間：2025年11月4日 論文來源： EMNLP 2025

社交平臺上，一條“像人”的動態不只取決于語法和知識，更取決于兩個更隱蔽的因素：它是否貼合某個具體個體的穩定風格（個性化），以及它是否會被周圍社交鄰居持續塑造（社會化）。不少大模型“寫得對”，卻仍然“一眼假”，問題往往不在句子通不通順，而在它不像某個具體的人在某個具體的圈子里說話。

北京通用人工智能研究院聯合北京大學提出了自演化社交智能體 EvoBot，在“生成器-檢測器”的對抗博弈框架下，把擬人化生成變成一個能自動升級難度的訓練任務，使模型在社交網絡中持續迭代。相關成果已被自然語言處理頂會 EMNLP 2025 接收并作 Oral 展示。

問題：社交智能體為什么常常“一眼假”？

當前社交智能體的一個核心瓶頸是“既個性化又社會化”。個性化關乎個體差異，同樣是表達贊同，有人簡短直接，有人愛用反問，有人習慣加表情或話題標簽。社會化關乎鄰域影響，好友關系、社區氛圍與熱點事件會持續改變一個人的發言內容與立場走向。只學到“通用寫作能力”的大模型，往往會留下兩類穩定的可識別痕跡。其一是風格過于平均，不像某個穩定個體的長期表達分布；其二是生成內容缺少社會語境，看起來像“單機寫作”，而不是在關系網絡里互動。針對這兩個問題，本文提出了一個兩階段訓練框架優化模型，先讓模型更像某個具體的人，再讓模型在“社會反饋”的壓力下持續修正自己的表達策略。

方法：把擬人化訓練變成“矛與盾”的持續博弈

EvoBot的關鍵設計，是把“像人”變成一場持續升級的對抗。框架里，生成器（EvoBot）負責模仿人類發布社交動態，檢測器（Detector）負責區分“真實人類內容”和“AI生成內容”。具體而言，EvoBot的學習分為兩個階段：

第一階段：監督微調（SFT），注入個體“人格”。在此階段，本文利用真實人類用戶數據對基礎大模型（Llama2-7B）進行監督微調。訓練任務是讓模型初步學習該社區的表達方式、語言習慣等。通過這一過程，EvoBot初步具備了模仿不同個體、生成個性化內容的能力，這構成了每個智能體的“初始人格”。

第二階段：對抗性學習，驅動動態“演化”。本文設計了一個由EvoBot（生成器）和基于關系圖卷積神經網絡（R-GCN）[2] 的Detector（檢測器）構成的對抗性學習閉環。與傳統方法不同，本文的生成器和檢測器是相互適應、協同演化的。在每一輪迭代中，EvoBot生成一批新的“擬人”內容，而檢測器的任務就是從這些內容和真實人類內容中，把AI的“仿冒品”揪出來。如果EvoBot生成的內容成功“騙過”了檢測器，就會被標記為“更優”樣本，指導模型朝這個方向優化；反之，則被標記為“較差”樣本，從而構造出偏好數據對，通過直接偏好優化（DPO）[3] 技術驅動EvoBot學習。最關鍵的是，檢測器自身也在不斷升級。每一輪博弈后，檢測器會將EvoBot的“更優”樣本集加入自己的錯題集進行再訓練，提升識別能力。這就為EvoBot創造了一個任務難度持續提升的學習環境，迫使其不斷學習和模仿更高級、更難以分辨的人類行為模式，最終形成一個能力持續增強的良性循環。

圖1: EvoBot框架概覽

實驗：個體層更像人，群體層更像社會

EvoBot不是在“干凈、單一”的文本集合里訓練，而是直接從真實社交網絡中抽取結構與語境。研究使用 TwiBot-22 數據集 [4]，包含約100萬用戶、近1億條推文以及好友關系等圖結構信息。為了在可控成本下保留網絡結構差異，研究采用 Louvain 社區發現方法切分出12個高度連接且具有代表性的社區，這些社區在拓撲形態（星形、網狀等）、語言（英語、阿拉伯語、日語、土耳其語等）與話題上都呈現明顯差異。這種異質性為本文訓練和評估EvoBot在復雜、多元環境下的適應性和類人程度供了堅實的基礎。

圖2: 12個社區中用戶連接關系的可視化

表1: 社區數據統計，包括用戶與機器人的數量、邊的數量、推文數量和代表語言

具體地，本文在這12個社區上，從個性化和社會化兩個角度系統地評估了EvoBot。

個性化評估

首先，本文分析了EvoBot與檢測器在4輪對抗訓練中的“共同成長”過程。結果清晰地展示了兩者間的協同進化。隨著迭代的進行，EvoBot規避檢測的能力越來越強，意味著它生成的內容越來越類人（如圖3中各行所示）。與此同時，檢測器的識別性能也在不斷提升（如圖3中各列所示）。

圖3：Detector分類性能。左:F1-score;右:Accuracy。行表示檢測器的版本；列表示EvoBot的版本。色塊上數值越大表示EvoBot被識別出來的概率越高。

本文對比了最終版的EvoBot與六種基線模型（包括原始Bot、傳統GAN、Llama2-7b、GPT-4o-mini，以及兩個消融版本）。在兩種不同架構（RGCN和GAT）的檢測器下，EvoBot均取得了最低的被識別率，展示了其最強的擬人化生成能力。消融實驗也證明，監督微調（SFT）和對抗學習（ADV）兩個階段對于最終的優異性能缺一不可。同時，進一步分析表明EvoBot在生成內容多樣性和表達風格上都達到了很高的類人水平，這說明EvoBot不僅能生成類人的社交文字而且對人類社交方式有更深層次的理解。

表2: RGCN和GAT檢測器下不同生成器的Accuracy和F1-Score。數值越小，說明生成器逃避檢測的能力越強。

社會化評估1:群體觀點模擬

實驗將EvoBot置于多智能體模擬環境中，復現了真實世界中關于“COVID-19”和“俄烏沖突”兩大事件的觀點演變過程。實驗結果表明，相比于傳統的基于規則的智能體模型（如BC和Lorenz模型）以及其他LLM基線，無論是在群體平均觀點還是觀點多樣性上，EvoBot都最接近真實數據，成功捕捉到了現實群體中復雜動態的觀點變化。這些對比指標均是在事件發生的一段時間內的統計結果，充分證明了EvoBot的優勢在于精準捕捉了觀點的動態演變過程，而不僅是擬合某個靜態的結果。

表3: 群體觀點的模擬結果

社會化評估2:信息傳播模擬

本文還模擬了關于“超級碗賽事”這一熱點新聞在社交網絡中的傳播過程。結果顯示，相比于基線模型，EvoBot驅動的信息傳播曲線更貼近真實世界的傳播模式，即“初期快速爆發，隨后逐漸放緩”的典型規律。這些群體層面的涌現現象，強有力地證明了EvoBot框架在模擬復雜社會動態方面的有效性和先進性。

圖4: 隨著時間的推移，討論洛杉磯公羊隊超級碗奪冠的累積用戶數量變化曲線

總結展望：為什么“自演化”很重要？

在“生成器-檢測器”的對抗學習框架下，基于大模型的社交智能體EvoBot持續提升能力，在個性化內容生成和宏觀社會現象模擬方面均表現出色，驗證了該框架的有效性。

EvoBot所展示的這種自動化的、無需持續外部干預的“自演化”學習框架，為各行業構建更智能、更具適應性的AI智能體提供了一種新的思路和啟發。這種通過對抗博弈創造動態學習環境、驅動智能體持續迭代的方法，為解決“如何讓智能體在部署后仍能自主學習和進化”這一核心難題提供了寶貴的探索，對未來開發更穩健、更自主的人工智能系統具有一定的借鑒意義。

參考文獻

[1] Kong, F., Zhang, X., Chen, X., Yang, Y., Zhu, S. C., & Feng, X. (2025, November). Enhancing llm-based social bot via an adversarial learning framework. In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (pp. 23246-23271).

[2] Schlichtkrull, Michael, et al. "Modeling relational data with graph convolutional networks." European semantic web conference. Cham: Springer International Publishing, 2018.

[3] Rafailov, Rafael, et al. "Direct preference optimization: Your language model is secretly a reward model." Advances in neural information processing systems 36 (2023): 53728-53741. Feng, Shangbin, et al. "Twibot-22: Towards graph-based twitter bot detection." Advances in Neural Information Processing Systems 35 (2022): 35254-35269.

[4] Feng, Shangbin, et al. "Twibot-22: Towards graph-based twitter bot detection." Advances in Neural Information Processing Systems 35 (2022): 35254-35269.

群體智能讀書會

如果你對這些反直覺但極有用的現象感興趣——從蟻群搭橋、魚群同步、到無人機集群表演、集群機器人協作、群智優化與多智能體系統、網絡輿論建模研究等——歡迎加入「群體智能」讀書會：我們用動物—人類—機器三條線，希望把群體智能的涌現這件事講清楚、講透徹；用物理學、數理邏輯、多主體建模、計算傳播等多學科視角，去追問同一個核心：集群何以比個體更聰明？群體智能又在何時涌現？

集智俱樂部聯合北京師范大學系統科學學院韓戰鋼教授、暨南大學計算傳播研究中心趙甜芳副教授、新疆大學物理科學與技術學院玉素甫·艾比布拉副教授等來自11所高校的學者，共同發起本次，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優化，放在同一張地圖上重新理解。讀書會自2026年1月17日開始，安排在每周六下午 14:00–16:00，歡迎所有對群體智能如何涌現、如何被理解、以及如何被設計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

詳情請見：

1.

2.

3.

4.

5.

6.

7.