在人工智能逐步进入协作场景的今天研究者发现一个值得关注的转变当合作对象从人类变成AI时成人合作行为不再单纯依赖社会规范而更容易走向利益最大化。这里的利益最大化不是贬义词而是决策理论中的一个标准假设个体会评估对方的意图、可信度以及合作收益选择能给自己带来最大净收益的策略。这个课题不仅属于社会心理学和认知神经科学也直接影响人机交互产品如何设计AI队友、AI助手和AI客服的反馈机制。这篇文章围绕一个典型实验课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重点回答合作对象是AI时利益最大化如何体现在行为与大脑活动上。如果你是认知神经科学、社会心理学、人机交互或AI产品方向的研究者这篇文章会提供一套从研究假设、实验设计、数据采集到统计分析、影像学解读的完整思路如果你只是想理解“人类为什么会让AI占便宜”或者“AI为什么能骗过人类合作者”也可以从行为指标和脑机制中找到解释。文章不会给出一个虚假的“标准答案”而是给出一个可以直接复现或改造的研究框架。1. 研究背景为什么“合作对象是AI”会改变社会合作行为1.1 社会合作与利益最大化在社会决策中的含义社会合作在行为经济学里通常指多个个体通过协调行动使集体收益或个体收益增加的决策过程。合作行为的核心问题是个体为什么愿意付出个人成本换取共同收益传统理论有两个分支一是互惠偏好个体愿意回报善意、惩罚恶意二是纯自利假设个体只在合作能带来更高长期收益时才合作。当研究者说“成人合作的利益最大化”时并不是说每个人都会贪婪地取走所有资源而是指个体在有限信息和不确定情境下会根据预期收益、对方意图和声誉风险选择最有利于自身目标的策略。利益最大化是一个计算过程它有输入、权重和输出。输入包括合作对象身份、双方投入、收益结构、历史行为权重取决于被试对“合作对象是否有意图”的判断输出则是具体的决策行为比如贡献多少代币、是否接受对方分配方案、是否惩罚对方。在人类与人类合作的研究中利益最大化往往受到社会规范的制约。例如最后通牒博弈中如果对方分配不公平即使接受会带来少量收益许多被试也会拒绝目的是惩罚不公平行为维护公平规范。这种选择不是短期利益最大化而是长期社会声誉和社会关系维护下的“广义利益最大化”。1.2 将合作对象换成AI后核心问题发生了哪些变化当合作对象从人类变成AI社会决策中最关键的“心智归因”环节会发生改变。人类大脑默认会快速推断对方的信念、意图和情感面对AI时这种推断会钝化。被试可能认为AI没有“真实的愤怒”也不会因被拒绝而记仇因此拒绝不公平分配以惩罚AI的动机就会下降。这会带来一个可检验的行为假设同样是不公平分配方案当分配者被描述为AI时成人被试接受不公平方案的比率可能高于人类分配者因为被试不再需要维护社会规范也不需要担心AI的社会评价。这个假设背后的理论基础是合作行为并不完全由收益结构决定还依赖对合作对象社会性意图的归因水平。另一个变化是“人工偏见”。很多被试对AI抱有“绝对理性”的预期认为AI不会报复、不会感激、不会误解因此更愿意对AI采用单向的收益最大化策略。这种偏见本身是研究对象而不是实验噪声。实验设计时可以把被试对AI的态度做前后测量例如在任务开始前记录“你觉得AI会在多大程度上考虑你的利益”在任务结束后记录“你在多大程度上相信AI有意愿和你合作”。1.3 从行为经济学和脑机制角度提出研究假设研究假设可以分为行为层、主观报告层和神经层三个层面。行为层假设与人类合作对象相比被试面对AI合作对象时更倾向于追求眼前利益最大化具体表现为公共品博弈中的贡献率下降、最后通牒博弈中对不公平方案的接受率升高。主观报告层假设被试对人机合作中的信任度低于人人合作但对AI道德地位的关注也低于人类对象。神经层假设AI条件下与社会规范执行相关的前扣带皮层和前脑岛活动较弱与收益评估相关的腹内侧前额叶和纹状体活动相对较强与意图推断相关的右侧颞顶联合区的激活可能减少。这三个层级不是孤立存在的。神经影像的价值在于当我们发现行为上“对AI更自私”时可以通过脑机制判断这是“意图推断减少”导致的还是“惩罚动机减弱”导致的。这直接决定了AI产品应该优化“透明度”“拟人化”还是“情感表达”。2. 核心概念与研究范式把“合作”变成可测量任务2.1 从博弈论任务到人机互动独裁者、最后通牒与公共品博弈社会合作行为不能只靠问卷测量需要使用结构化的博弈任务让每个被试在相同情境下做出经济决策。常用任务有三种。独裁者博弈中一方被指定为分配者有权决定如何分配一笔代币另一方只能接受。这个任务适合测量纯粹利他倾向因为分配者不需要担心对方拒绝。最后通牒博弈中分配者提出分配方案接受者可以选择接受或拒绝如果拒绝双方都得不到收益。这个任务适合测量公平规范和对不公平行为的惩罚意愿。公共品博弈中每组被试都有一定代币可以选择向公共账户投入多少公共账户的资金会翻倍后再平均分配给所有人。这个任务适合测量社会合作中的条件合作和搭便车行为。在人机互动实验中核心修改是把原本由真实人类扮演的分配者、接受者或队友替换成被试认为是由AI程序控制的角色。这里的“认为”非常关键后面会有专门讨论。2.2 研究设计里的关键变量主体、对手身份、收益结构、信息反馈一个可复现的人机合作实验需要定义以下变量。变量类型变量名称示例取值说明被试内变量合作对象身份人类 / AI同一被试既与人类角色合作也与AI角色合作被试内变量不公平程度公平/轻微不公平/严重不公平用于最后通牒博弈中的接受阈值测量被试内变量历史行为反馈高合作/低合作AI前几轮是否主动贡献影响信任被试间变量AI呈现方式纯文本/虚拟形象/语音不同感知通道可能改变社会归因协变量人工智能素养问卷得分对AI技术的理解程度可能影响合作意愿因变量行为指标贡献率、接受率、反应时衡量利益最大化倾向因变量脑影像指标局部脑区BOLD信号变化衡量背后的神经机制这里有一个重要设计原则被试内设计可以消除个体差异但必须避免被试猜到实验目的。如果被试明显看到“人类”和“AI”条件下收益规则不同结果就会失真。因此两种条件下收益规则必须完全一致只改变合作对象的身份标签。2.3 利益最大化的量化指标贡献率、接受阈值、策略选择“利益最大化”不能只是一个口头判断它要落到可计算的指标上。贡献率是指公共品博弈中被试投入公共账户的代币占其总代币的比例。如果被试很自私贡献率会接近0如果被试追求合作收益贡献率可能接近50%或更高。接受阈值是最后通牒博弈中被试愿意接受的最小分配比例。阈值越高说明对公平要求越严阈值越低说明被试在意的是“至少拿到一点收益”也就是更接近利益最大化。策略选择可以用行为模型拟合例如使用贝叶斯模型估算被试在多大概率上采用“理性自利策略”在多大概率上采用“不公平厌恶策略”。这些指标要在一个实验里同时获得不能在任务后让被试回忆。常见做法是把每个试次分成两阶段第一阶段决策第二阶段显示收益或反馈。决策阶段的反应时也需要记录因为反应时往往反映内部冲突。面对AI时决策更快可能说明被试没有经历强烈的社会规范冲突。3. 实验方案成人被试的人机合作行为实验怎么落地3.1 被试与伦理审批学习环境与真实实验的差异认知神经科学实验的第一步不是写代码而是确认伦理与可重复性。被试通常选取18岁以上的健康成人右利手无神经或精神疾病史视力或矫正视力正常体内无金属植入物因为这些条件直接影响fMRI安全。样本量需要根据效应量计算。如果参考类似社会决策研究的效应量一组被试至少需要20到30人人机互动实验通常建议30人以上如果同时做行为与脑成像还要考虑头动剔除率。如果只是在学习环境模拟可以不做真实伦理审批但要用脱敏假数据。真实实验必须向大学或机构伦理委员会提交研究方案说明被试知情同意、数据匿名化和退出机制。涉及AI角色时必须在知情同意中说明“实验中的AI行为是预设脚本还是实时模型生成”不能骗被试后不告知。3.2 实验材料与任务流程示例一个较完整的实验流程可以采用事件相关设计。每个试次先呈现合作对象的头像或标识接着显示对方上一轮的行为或分配方案然后要求被试做出决策最后呈现收益结果。在这里AI角色可以做成一个简单的agent由固定脚本控制而不是真正的强化学习模型目的是减少不可控噪声。示例流程如下注视点 (1.0s) → 对象身份提示 (1.5s): 你正在和 人类玩家/AI玩家 互动 → 对方行为信息 (2.0s): 对方向公共账户投入 2 个代币 → 决策阶段 (最多 4.0s): 你将投入多少代币 → 收益反馈 (2.0s): 本轮公共账户总额为 X你获得 Y 个代币 → 空屏抖动 (1.0~3.0s)如果你需要把这个任务做成可演示的原型可以用PsychoPy或jsPsych编写。以jsPsych为例可以设计一个单轮博弈任务使用数组存储对手身份和分配方案然后记录被试的按键反应。这个原型不依赖真实AI但数据结构已经能用于行为实验。生产环境需要接入大模型时才需要考虑token计量、模型微调和RAG检索等工程问题。3.3 多模态数据采集行为数据、问卷数据、脑影像数据行为数据至少包含以下字段subject_id,trial_id,round_id,opponent_type,offer_amount,total_amount,decision,response_time,block_type 001,1,1,human,3,10,accept,2.15,unfair 001,2,1,ai,3,10,reject,1.08,unfair每一行是一个试次而不是一个被试。这样的长格式数据便于后续用R、Python或SPSS做混合效应模型。问卷数据可以在fMRI扫描前或扫描后完成。建议使用标准量表比如人际反应指针测量共情倾向、机器人人格归因量表测量被试对AI心智的归因、信任倾向量表测量一般信任水平。不要自编没有信效度的“我对AI合作态度”五级量表除非你有验证样本。脑影像数据如果是fMRI必须记录扫描序列参数包括TR、TE、翻转角、体素大小、层数和扫描时长。没有参数后续分析结果无法被复核。如果是EEG则需要记录采样率、电极数和事件标记。4. 数据处理与分析从行为结果到神经机制4.1 行为数据统计混合效应模型做利益最大化分析行为分析的核心是比较不同条件下因变量差异同时控制被试随机效应和试次差异。建议使用线性混合效应模型而不是传统的重复测量方差分析因为混合模型可以处理缺失数据、反应时偏态和连续预测变量。以公共品博弈贡献率为例可以用Python的statsmodels或R的lme4建立模型import statsmodels.api as sm import statsmodels.formula.api as smf # df 包含被试、试次、对象身份、贡献率、信任评分 model smf.mixedlm( contribution_rate ~ opponent_type * trust_score, datadf, groupsdf[subject_id], re_formula1, ) result model.fit() print(result.summary())这里需要注意贡献率是比例值范围在0到1之间直接拟合线性模型可能违反正态假设。最好先做logit转换或者使用beta回归。关键词是“由于贡献率存在天花板效应和地板效应原始数据会呈现双峰分布这时候线性模型会低估极端值的作用”。最后通牒博弈的接受率是二值变量适合用广义线性混合模型model_logit smf.mixedlm( accept ~ unfairness_level * opponent_type, datadf_ultimatum, groupsdf_ultimatum[subject_id], familysm.families.Binomial(), )这个模型的核心解释项是opponent_type如果系数显著为正说明面对AI时接受不公平方案的概率更高利益最大化倾向更强。还要把反应时作为额外协变量加入模型因为反应时可能反映决策冲突程度。4.2 fMRI数据预处理与一阶模型BIDS、fMRIPrep和SPM脑影像处理必须遵循可复现流程。先用BIDS格式组织原始数据然后用fMRIPrep做预处理再用SPM或fMRIPrep输出进行一阶分析。BIDS目录结构可以这样组织/dataset /sub-001 /anat sub-001_T1w.nii.gz /func sub-001_task_game_bold.nii.gz sub-001_task_game_events.tsv /sub-002 ... /task-game_bold.json /participants.tsv预处理命令可以写成fmriprep /dataset /dataset/derivatives \ participant \ --participant-label 001 002 \ --work-dir /tmp/fmriprep_work \ --fs-license-file /path/to/license \ --output-spaces MNI152NLin2009cAsym预处理包括头动校正、配准、归一化和平滑。这一步最容易出问题的是被试头动过大所以fMRIPrep的报告里要逐被试检查头动参数。数据分析前要剔除平均头动超过3毫米或3度的被试不要通过“手动平滑”掩盖运动伪影。一阶模型需要构建事件回归量。把“人类合作对象”“AI合作对象”“接受”“拒绝”等条件分别建模。以下是SPM批处理的简化示例只展示关键思想matlabbatch{1}.spm.stats.fmri_spec.sess.multi {event_tsv}; matlabbatch{1}.spm.stats.fmri_spec.sess.cond(1).name human_accept; matlabbatch{1}.spm.stats.fmri_spec.sess.cond(2).name human_reject; matlabbatch{1}.spm.stats.fmri_spec.sess.cond(3).name ai_accept; matlabbatch{1}.spm.stats.fmri_spec.sess.cond(4).name ai_reject;被试层的一阶模型至少应该包含每个试次的决策事件和收益反馈事件不能把整个任务压成一个盒式函数否则会丢失合作决策时的瞬时脑响应。4.3 神经机制解释前额叶、颞顶联合区、纹状体和前扣带皮层完成组分析后主要观察四个脑区的激活差异。脑区通常功能在“与AI合作”实验中的预期变化解释方向腹内侧前额叶价值评估、收益编码AI条件下激活可能增高收益计算权重上升被试更关注代币收益右侧颞顶联合区心智推断、意图归因AI条件下激活可能降低被试不太推断AI的信念和意图前扣带皮层社会冲突监测、规范违背检测面对AI不公平时激活可能降低不公平状态没有触发同等的规范冲突前脑岛厌恶反应、情绪唤醒AI条件下激活可能降低对AI的不公平分配产生更少的负面情绪纹状体奖赏预期对AI高合作行为仍有较强激活即使对象是AI获得收益仍会激活奖赏系统这些区域不是单独工作的。综合解释时要采用“社会归因减少导致规范抑制减弱”的框架而不是说“某一个脑区控制利益最大化”。5. 预期结果与可能的解释模型5.1 行为层面的预期结果如果研究假设成立行为层会观察到三个结果。第一在公共品博弈中被试面对AI合作对象时的贡献率显著低于面对人类合作对象第二在最后通牒博弈中不公平程度相同时被试对AI分配者的接受率高于对人类分配者第三被试在AI条件下的决策反应时更短。但结果也可能是反向的因为部分被试对AI抱有更高期望认为AI应该公平遇到不公平AI反而会更严厉。此时不能直接判定假设失败而应检查被试对AI的角色预期是否不同。这就是为什么每个被试都要完成主观预期评分。5.2 脑成像层面的预期结果脑成像的主要预期是“条件差异”而不是“绝对激活”。人类条件减去AI条件会得到与社会规范执行相关的脑区激活差异包括前扣带皮层和前脑岛。AI条件减去人类条件则可能得到与价值计算相关的脑区激活差异比如腹内侧前额叶和纹状体。如果行为上没有显著差异但脑成像有显著差异说明被试可能在外显决策上保持公平但内部处理过程已经不同。这是重要的发现因为这说明人类为了维护自我形象而在宏观行为上补偿了对待AI的不公平但神经过程还是暴露了底层偏好。5.3 综合解释框架社会归因与适应性决策把行为与脑影像结果放到一起可以构成一个两阶段模型。第一阶段是社会归因阶段被试接收合作对象身份信息大脑对“对方是否具备心智”做快速估计主要涉及右侧颞顶联合区和内侧前额叶第二阶段是决策阶段大脑在前扣带皮层和纹状体之间权衡规范成本和收益收益产生最终决策。如果AI身份降低了第一阶段的社会归因第二阶段的规范成本就相应下降利益最大化权重就上升。这个模型既能解释行为也能解释脑影像还能给AI设计提供思路如果你希望AI被当作“值得合作的对象”就必须让AI在交互中表现出某种形式的意图线索而不仅仅是给出正确答案。6. 常见问题与排查路径6.1 被试不相信合作对象真的是AI或人类这是人机互动实验最基本的问题。如果被试在任务后说“我觉得AI背后是真人”或者“人类玩家其实是电脑”整个身份变量就失效了。排查方式是在任务后加入操作检查问题例如“你刚才和几个AI玩家互动过”“AI玩家会生气吗”如果超过一定比例的被试回答错误就需要在数据分析中剔除并且重新设计身份提示方式。解决方案包括在实验前安排一个真实且可信的身份展示环节在任务中给AI角色加入符合“AI”特征的低社会性反馈在实验结束时询问被试的身份怀疑程度将其作为协变量加入统计分析。6.2 被试不按“利益最大化”行动而是全凭直觉社会决策任务中被试可能会选择快速回应而不是认真分配代币。此时反应时和决策结果都缺少信息。检查方式有两个第一查看反应时分布是否有大量小于300毫秒的试次第二查看决策一致性是否在同一条件下出现了随机的接受和拒绝。处理方法是可以加入“投入思考”提示或改用限时长的慢决策范式也可以在实验后让被试复盘某几个试次确认自己是按策略行动还是随机按键。对无效试次数过多的被试在统计分析时做敏感性分析判断结果是否受其影响。6.3 fMRI数据质量差、头动过大头动是fMRI实验最常见的技术问题。现象是图像边缘出现亮环或某个被试有大量试次被头动回归量解释。排查流程是先查看fMRIPrep报告中的最大位移和平均位移再查看BOLD时间序列是否有突然跳变最后看一阶模型的残差方差。处理策略包括使用更高阶的头动回归量对单独位移超过一帧的试次做擦除如果超过20%的扫描帧被擦除考虑剔除被试。更好的方法是在采集过程中使用实时头动监测发现头动过大时暂停扫描给被试重新调整。6.4 多重比较校正后结果不显著fMRI组分析面临严重的多重比较问题全脑体素数量达数十万如果用阈值0.001但不校正会得到大量假阳性。推荐使用FWE校正或FDR校正也可以使用非参数置换检验。如果校正后不显著不要立即降低阈值而是检查统计效力。可以将分析限定在先前有明确假设的脑区做感兴趣区分析。行为数据中的多重检验也容易被忽视。如果同时检验贡献率、接受率、反应时、问卷评分必须说明是否做了多重比较校正或者至少说明哪些结果是探索性的。7. 最佳实践与扩展方向7.1 提高人机互动实验可信度的可执行清单这个清单适用于心理学实验、脑成像实验和AI行为评估原型。第一条所有脚本、刺激材料和数据分析代码都应版本化管理。第二条在正式实验前先招募5到10名预实验被试检查任务理解度和反应时分布。第三条记录并报告剔除了多少被试、剔除标准是什么。第四条加入操作检查题验证“身份变量”是否生效。第五条不要在知情同意阶段就详细说明具体研究假设但要在任务结束后完全告知被试AI角色的真实属性。第六条如果使用大模型驱动AI角色必须记录模型版本、prompt模板、温度参数和token限制否则实验无法复现。7.2 从实验研究到AI产品设计的启示目前很多AI产品默认把“收益最大化”当成用户目标例如电商推荐、智能客服、游戏AI都在优化转化率或任务完成率。但这些实验提醒我们用户是否愿意长期与AI合作不仅取决于AI能否给出高收益还取决于用户在互动中是否对AI做了社会归因。如果AI始终表现得像个“只计算收益且没有同理心的理性体”用户会更倾向于单方面利用AI更长远的合作信任会下降。在设计AI合作类产品时给AI加入适度的“意图表达”可能比提高单次准确性更有效。例如在多人协作工具中AI助手可以先说明“我建议选择方案A原因是它能在20分钟内让所有成员受益”而不是只输出“方案A”。这种表达会触发用户对AI的目标推断有助于建立合作关系。7.3 可以继续深入的方向模型微调、RAG、AI agent与token成本现实中的AI合作对象不会永远使用固定脚本。如果要搭建一个真正能适应被试行为的AI合作者需要把认知实验和AI工程结合这一步会引入更多工程变量。首先是模型选型与微调。AI角色需要在博弈任务中做出既合理又有策略的贡献基于通用大模型直接推理可能不够稳定需要使用少量人机博弈数据对模型做指令微调。其次是RAG检索。如果AI角色需要引用被试上一轮的具体行为应该把对话历史存入向量数据库检索相关片段后输入模型而不是把全部token都塞进上下文否则成本会快速上升。最后是token计量与计费管理。每一次AI决策都在消耗token长期实验需要建立计量体系避免无限调用导致预算失控。这就是热词中“人工智能词元计量计费管理能力”在实际项目中的落地场景。当然从科学研究的角度看AI角色的确定性越强越好。如果模型输出具有随机性即使收益规则相同不同被试面对的AI行为也不同这会给统计分析增加噪声。因此在设计实验时固定脚本是更稳妥的起点当进入应用开发阶段再引入在线学习、微调和RAG检索。回到最初的问题当合作对象变成AI成人合作的利益最大化倾向是否变强其神经基础是什么。目前已有越来越多的行为与脑成像研究支持这样一个方向人机合作中社会规范的约束力下降收益评估的权重相对上升。但这个结论高度依赖实验设计尤其是AI身份的呈现方式。真正有价值的工作不是简单地得出结论“人类对AI更自私”而是找到“在什么条件下、通过干预哪些变量人类会愿意把AI当作真正的合作对象”。这个问题需要行为经济学、认知神经科学和AI模型工程三方配合才能给出有解释力、也有落地能力的答案。对新手而言可以先从简单的行为博弈任务入手跑通一个固定脚本的AI合作者实验再逐步加入脑成像和大模型技巧。这条路径比直接研究复杂脑机制更容易上手也更容易形成可复现、可扩展的研究成果。