当AI构建的"多元文化社会"其实只是一个回音壁——新加坡科技设计大学揭示多智能体系统的文化同质化困境

这项由新加坡科技设计大学与圣路易斯华盛顿大学合作完成的研究，以预印本形式发布于2026年6月4日，论文编号为arXiv:2606.05985v1，研究方向属于计算语言学（cs.CL）领域。

当我们谈论"全球化"的时候，脑子里浮现的通常是一幅热闹的画面：来自巴西的桑巴、来自中国的春节、来自尼日利亚的鼓乐，各种文化并肩存在，相互保留着自己独特的色彩。然而，当这个场景搬到人工智能的世界里时，实际发生的事情却大相径庭——多个被赋予不同文化身份的AI代理凑到一起，表面上看着五花八门，骨子里却惊人地相似。这种现象就像是一家声称提供世界各地菜肴的餐厅，但走进厨房你才发现，所有的菜都用同一口锅、同一种底料烹制出来，只是摆盘各有不同。

为了深入探究这个问题，研究团队设计了一套完整的测量体系，并在19种文化、18种大语言模型骨干、以及数以百万计的系统配置上进行了大规模实验。他们的发现揭示了当前AI多智能体系统在模拟人类多元文化社会时的一个根本性缺陷：这些系统表面上具备文化多样性，实际上却深陷同质化的泥潭，与真实人类社会的文化差异相比差距悬殊。

一、同一口锅里炒出的"世界菜"：AI文化多样性究竟出了什么问题

要理解这个问题，先得明白目前主流研究在做什么。过去几年里，学界有大量工作在研究"文化对齐"——简单说，就是测试一个AI是否能准确模仿某种文化的价值观。比方说，你让一个AI扮演一个巴西人，然后问它一些关于家庭、宗教、政府的问题，再把它的答案和真实巴西人的答案比较，看看相差多少。这就叫做"对齐度"，衡量的是一个AI单独模仿某一种文化的能力。

这种测量方法的出发点是好的，但它有一个根本性的盲区。当你把五个AI凑在一起，分别扮演巴西人、中国人、墨西哥人、尼日利亚人和新西兰人，你真正关心的问题其实不只是"每一个AI模仿得像不像"，更重要的是"这五个AI放在一起，它们之间的差异是否和真实的五个不同国籍的人一样丰富？"前者叫对齐度，后者才是真正的"价值多样性"，而这恰恰是过去研究从未认真测量过的。

打个比方：假设你办了一场全球文化节，请来了五位"文化大使"，每个人都来自不同的国家。对齐度测量的是每位大使是否真的了解自己国家的文化，而价值多样性测量的是这五位大使放在一起，他们的观点是否真的百花齐放、各不相同。即便每个大使对本国文化都了解得很到位，五个人也完全有可能在一些根本问题上看法惊人地一致——这就说明整个"文化节"缺乏真正的多样性。

研究团队提出的核心论点正在于此：对齐度是衡量单个AI的指标，价值多样性是衡量整个系统的指标。两者缺一不可，而目前学界几乎只关注前者，完全忽略了后者。这个缺口，就是这篇论文试图填补的地方。

二、量尺是什么样的：研究如何定义和测量"多样性"

研究团队使用的核心工具是"世界价值观调查"（World Values Survey，简称WVS），这是一项覆盖全球数十个国家、持续数十年的大型社会调查项目。调查包含数百道关于宗教、政治、经济、家庭、环境等主题的选择题，每道题的选项按照支持程度排列，比如"非常同意、同意、不同意、非常不同意"这样的形式。研究团队从第七波调查（2017年至2020年间收集）的260道题目中筛选出223道，去掉了那些问具体日常生活细节而非价值观的题目，最终形成测量工具。

测量"对齐度"的方法比较直接：让AI按照某个文化身份回答问题，然后把AI的答案和该文化真实人群的主流答案（用多数投票法确定）相比较，分歧越小，对齐度越高。

测量"价值多样性"则需要换一个视角。研究团队设计了两种互补的计算方式。第一种叫"两两多样性"：把系统里所有AI的答案两两配对，计算每一对之间的差异，然后取平均值。差异越大，多样性越高。这就像测量一个班级里学生身高的差异，每两个学生配对比较一次，最后算平均分歧。第二种叫"结构多样性"：借用数学里"最小生成树"的概念，找出连接所有AI节点所需的最短路径集合，只计算这些关键路径上的差异，去掉那些信息重复的比较。这种方法更像是在一张地图上找出连通所有城市所需的最少道路，它能更精准地捕捉系统整体的"分散程度"，而不会被大量重复的近距离配对稀释。

两种测量方法各有侧重，研究中发现"结构多样性"对系统真实分散程度的刻画更加敏锐，但两者的结论基本一致。

为了有一个参照基准，研究团队还用同样的方法计算了"人类参照值"——把19种文化的真实WVS调查结果输入相同的公式，得出真实人类社会的价值多样性分数。这个人类参照值就像一条基准线，任何AI系统的分数都可以和它比较，看差距有多大。

三、没有一个AI系统达标：单一骨干模型的全面失败

有了测量工具，实验就可以开始了。研究团队首先测试了"单一骨干模型"系统，也就是系统里所有文化代理都使用同一个大语言模型，只是被赋予不同的文化身份。他们测试的模型涵盖GPT、Claude、Gemini、Grok、Qwen和Llama六大家族，共18个版本，每个模型都运行了包含巴西、中国、墨西哥、尼日利亚和新西兰五种文化代理的系统。

结果毫不客气：18个系统，一个都没有达到人类参照水平。人类的两两多样性分数是44.07，而表现最好的系统——谷歌的gemini-2.5-pro——只达到了36.12，差距将近8分。结构多样性上差距更大：人类是39.37，而gemini-2.5-pro只有29.60，差了将近10分。其余系统的表现更是参差不齐，很多系统的分数甚至只在20到25之间徘徊，和人类基准线的差距超过了20分。

这个结果就像是说：你办了一场号称"世界五大洲音乐汇演"的晚会，但在台上唱歌的五个人虽然穿着不同国家的民族服装，演奏出来的曲调却惊人地相似，相似程度远超真实世界里来自这五个国家的人们之间的文化共性。

更有意思的发现在于：模型越新、能力越强，并不意味着文化多样性越高。在GPT家族里，最新的gpt-5.4反而比同系列的旧版本多样性更低。这说明模型的通用智能水平和它在扮演不同文化代理时产生真实差异的能力，是两码事。越聪明的模型，也许越倾向于给出"标准答案"，反而抹平了不同文化代理之间本应存在的分歧。

四、对齐度高就等于多样性好？错，两者几乎毫无关联

发现了多样性的问题之后，研究团队进一步追问：那些在对齐度测试中表现优秀的模型，它们的多样性是不是也更好？换句话说，如果一个AI系统里每个文化代理都能准确模仿自己对应的文化，这个系统整体上是不是也会更多元？

答案令人惊讶：不是。研究团队对18个系统同时测量了对齐度和多样性，然后计算两者之间的相关性，得到的皮尔逊相关系数只有-0.12，几乎为零，而且还是轻微的负相关。这意味着一个系统对单个文化的模仿能力越强，它的整体多样性反而可能略微降低，尽管这种关系非常微弱，基本上就是说两者之间根本不存在有意义的联系。

研究团队选了两个典型案例来说明这一点。Grok-3系统的对齐度在所有系统中名列前茅（分数约为70.9），但它的多样性却偏低（25.2）。分析每道题的情况后发现，这个系统里大部分文化代理都集中在"对自己文化答得准、但和其他文化代理的答案差不多"的区间——每个人都很好地模仿了自己的文化原型，但这些原型本身在AI眼里区别并不大，最终导致系统内部的文化差异远小于现实。相反，gemini-2.5-pro系统多样性较高（36.1），但对齐度反而偏低（67.7）。它的代理们给出了更加分散的答案，彼此差异较大，但这些答案未必与对应文化的真实人群主流观点一致——可以说是"乱中有序"不如说是"乱中有乱"，多样但不精准。

这个发现有重要的现实意义。如果你在评估一个用于全球化场景的多智能体AI系统，只看它在文化对齐度测试上的分数是远远不够的。一个系统完全可以在对齐度上得高分，同时在多样性上彻底失败——就像一家餐厅的每道菜都做得地道，但厨房里所有菜的底味其实都来自同一个调味包。要真正了解一个系统是否具备文化多元性，你必须额外测量价值多样性这个独立维度。

五、混合骨干能不能解决问题？有帮助，但差距依然存在

既然同一个骨干模型会让所有文化代理趋向同质，那如果不同的文化代理使用不同的骨干模型，情况会不会改善？在真实的部署场景中，这完全合理——不同用户可能偏好不同的AI模型，一个全球化平台完全可能出现中国用户用某款国产模型、美国用户用GPT、欧洲用户用Claude这样的混合局面。

研究团队对这个问题进行了穷举实验。五个文化槽位，每个可以选18种骨干之一，所有可能的组合超过185（约189万种）。研究团队把这189万种配置全部跑了一遍，绘制出完整的多样性-对齐度分布图。

结果是喜忧参半。喜的是，混合骨干系统确实整体优于单一骨干系统。在多样性-对齐度这个二维坐标系上，混合骨干系统的帕累托前沿（也就是"在某一维度不牺牲的前提下，另一维度能做到最好"的那条边界线）严格优于单一骨干系统的边界线。具体来说，在最优对齐度端，混合骨干能比最好的单一骨干系统再提升1.51个百分点；在最优多样性端，能提升1.65个百分点；在两者均衡的中间地带，同时提升3.18个多样性分和1.21个对齐度分。忧的是，即便如此，混合骨干系统的最高多样性分数依然明显低于人类参照水平，差距并没有被完全弥合，只是缩小了一些。

这就好比说：用不同厨师来烹制不同国家的菜肴，比起让同一个厨师做所有菜确实更好，但这些厨师都在同一所厨艺学校受过训练，骨子里的烹饪哲学还是很接近，想做出真正像来自世界各地家庭厨房里的那种原汁原味，依然任重道远。

六、换一批国家、增加更多代理，能不能拯救多样性？答案是不能

研究团队还测试了另外两个直觉上可能有效的改进方向：换一批文化组合，或者增加系统里的代理数量。

关于文化选择的实验非常彻底。研究团队从19个候选文化里，穷举了所有五个文化的组合方式，共11628种，分别计算每种组合的系统多样性分数。结果显示，无论怎么选，最高分只能达到29.2到35.5之间（取决于使用的骨干模型），大多数组合聚集在20到30分的中间地带。更重要的是，无论怎样精挑细选，都无法突破人类参照水平的44.07分——文化选择对系统多样性的影响非常有限，而且上限很低。

关于代理数量的实验则揭示了一个更令人不安的趋势。直觉上，你可能认为代理越多、文化越丰富，系统整体的多样性应该越高。然而研究发现，随着代理数量从2增加到19，AI系统与人类参照水平之间的差距不仅没有缩小，反而持续扩大。这是因为当代理越来越多时，每个AI模型对不同文化的回答趋向于在某个相似的中间区间聚集，新加入的代理并不能真正带来新的价值维度，反而在统计层面进一步稀释了现有的有限差异。换句话说，越是庞大的AI"社会"，它和真实人类社会之间在文化多样性上的鸿沟就越宽。

这两个发现合在一起传递出一个清晰的信号：在现有大语言模型的技术框架下，靠调整系统配置（换文化、加人数）无法从根本上解决多样性不足的问题，这是一个更深层的结构性缺陷。

七、让AI们互相交流之后，情况变得更糟了

前面所有的实验都是"静态系统"——每个AI代理独立回答问题，彼此不知道对方说了什么。然而在真实的社交平台上，代理们会互相看到彼此的发言，并在此基础上形成自己的观点。这种动态互动会不会让文化代理们更加坚持自己的文化立场，从而提升整体多样性？

研究团队为这个假设提供了一个理论依据：社会认同理论（Social Identity Theory）认为，当一个人接触到来自其他群体的观点时，反而会强化对自身群体的认同感，进一步凸显群体间的差异。按照这个理论，AI文化代理在接触其他文化代理的答案后，应该会更加坚定地表达本文化的立场，从而增加系统多样性。

然而实验结果完全相反。研究团队设计了多轮交互实验：在每轮回答之前，每个代理都会先看到其他代理在上一轮给出的答案，然后再给出自己的答案，如此循环多轮。结果显示，在接受一轮社交暴露之后，六个代表性骨干模型的系统多样性全部下降，平均降幅为1.27分。与此同时，对齐度确实略有提升，但提升幅度远小于多样性的下降，而且并不稳定。

更让人担心的是，经过多轮互动之后，多样性并没有反弹。部分系统（比如claude-opus-4.7）在第一轮互动后多样性稳定在一个更低的水平，另一些系统则继续持续下降，虽有小幅波动，但没有任何系统恢复到互动前的多样性基准。这说明社交互动对AI多智能体系统造成的文化同质化，不是一个一次性的干扰，而是一种持续的、结构性的趋势。

这个发现和社会认同理论的预测截然相悖，说明大语言模型在面对其他AI的观点时，表现出的不是"我要更强调我的文化特色"，而更像是"别人都这么说，我也往这个方向靠一靠"——这是一种趋同行为，而非强化身份认同的行为。对于那些日益普及的AI驱动社交平台来说，这个发现意味着静态测试中已经不足的文化多样性，在实际运行中会被进一步侵蚀，真实的多样性水平可能比实验数据显示的还要低。

八、多样性不够会有什么具体后果：一场关于公共资金的投票实验

研究团队不满足于停留在抽象的分数层面，他们进一步追问：文化多样性的高低，会不会影响这些AI系统在现实决策中的表现？为了回答这个问题，他们设计了一个参与式预算（Participatory Budgeting）实验——这是一种民主决策方式，让社区成员直接投票决定公共资金应该用于哪些项目。

研究团队基于世界价值观调查中的13个价值维度，构建了13个虚拟的公共项目候选，涵盖文化传统、公共安全、透明政府、经济发展、科技创新、公民参与、国家机构建设、环境保护、社区合作、伦理教育、社会包容、移民融合和公共心理健康等领域。每个AI代理在系统初始化后，独立从13个项目中选择4个投票支持。为了确保统计稳定性，每个代理重复投票20次，系统汇总所有投票结果，得出各项目的得票频率分布。

研究团队选取了claude-opus-4.7作为骨干，分别找出基于该骨干的文化多样性最低和最高的文化组合，然后让两个系统分别参与这场投票。结果非常直观：低多样性系统（由澳大利亚、加拿大、德国、英国、新西兰五种文化组成，多样性分数9.3）的投票高度集中在极少数几个项目上，绝大多数资金流向了透明政府、机构建设和环境保护这几个方向，其余很多维度几乎没有得票。高多样性系统（由中国、德国、埃塞俄比亚、尼日利亚、荷兰五种文化组成，多样性分数33.2）的投票则更加分散，13个项目都获得了一定比例的票数，支持分布更加均匀，体现出更宽广的社会优先级覆盖面。

研究团队用gpt-5.4和gemini-3.1-flash-lite-preview重复了同样的实验，得到了完全一致的结论：高多样性系统在公共资源分配上的选择更加多元，低多样性系统则更容易集中到少数几个维度。

这个实验说明，价值多样性不仅仅是一个抽象的系统指标，它会直接影响AI系统在真实决策场景中的行为。当一个AI"社会"缺乏真正的文化多元性，即便每个代理都声称代表不同的文化，它们集体做出的决策也会不成比例地偏向某些价值取向，忽略其他同样重要的社会需求。这对那些已经开始将多智能体AI系统引入公共政策讨论、集体决策辅助等场景的应用来说，是一个需要认真对待的警示。

归根结底，这项研究做的事情可以用一句话来概括：它证明了"打扮得像不同文化"和"真的代表不同文化"之间存在一道巨大的鸿沟，而我们现有的测量工具长期以来只关注前者，忽视了后者。

研究的核心贡献在于提出了"价值多样性"这个系统级的评估维度，并用扎实的实验证明：它与对齐度几乎相互独立，不能相互替代；所有18个单一骨干模型系统都无法达到人类社会的多样性水平；混合骨干能缩小差距但无法消除；增加代理数量反而会放大同质化；动态交互进一步侵蚀多样性；而多样性的不足会直接影响集体决策的均衡性。

这些发现对越来越流行的AI社交平台、多智能体模拟系统和集体决策支持工具都有直接的现实意义。当一个平台宣称自己具备"全球多元文化视角"时，光靠给AI贴上不同国籍的标签是不够的——你需要真正测量这些代理在价值层面的实质性差异，而不是满足于对齐度分数。

当然，研究本身也坦诚地承认了几个局限。实验中的社交互动形式较为简单，只是让代理看到彼此上一轮的答案，真实平台上的互动形式远比这复杂。参与式预算实验中的低多样性和高多样性系统在文化组合上也有所不同，因此无法完全排除"是因为文化组合变了，而不是多样性本身变了"的解释。此外，研究使用的WVS数据是2017至2020年间收集的，文化价值观会随时间演变，所有结论都应放在这个时间窗口的语境下理解。

对于普通用户而言，这项研究最直接的启示是：下次你看到一款AI产品宣称能够"代表多元文化视角"，不妨多问一句——这些来自不同文化的AI代理，它们之间的价值差异，真的足够大吗？还是说，它们只是穿着不同的民族服装，却在同一个锅里炖出来的？对这个问题的回答，需要的不只是直觉，而是像这篇论文所做的那样，认真地测量、严格地比较。有兴趣深入了解完整研究细节的读者，可以通过论文编号arXiv:2606.05985查询原文。

Q&A

Q1：价值多样性和文化对齐度有什么区别？

A：文化对齐度衡量的是单个AI代理模仿某种文化的准确程度，比如一个被设定为巴西人的AI回答问题时，与真实巴西人的答案有多接近。价值多样性衡量的则是整个系统里多个AI代理之间的答案差异有多大。两者几乎没有关联，对齐度高的系统完全可能同质化严重，多样性极低。

Q2：为什么AI代理之间互相交流后多样性反而下降了？

A：按照社会认同理论，接触其他文化的观点本应强化自身文化立场，但实验发现AI代理的实际行为是趋同而非分化——它们倾向于向其他代理的答案靠拢，而不是更加坚持自己文化的特色。这种趋向共识的倾向在多轮互动后不会自我纠正，而是持续存在，形成稳定的同质化效果。

Q3：混合使用不同AI模型能不能解决多文化代理系统的同质化问题？

A：混合骨干系统确实优于单一骨干系统，在多样性和对齐度上都有所提升，但仍然无法达到真实人类社会的文化多样性水平。差距被缩小，但并未消除，说明单靠混合模型这一工程手段不能从根本上解决当前大语言模型在文化价值多样性上的结构性不足。