企业官网建设流程全解析

当合作对象从另一个人类变成人工智能时，合作行为会跟着变吗？这个话题近几年同时在心理学、经济学、神经科学和AI产品设计里被反复讨论。很多人第一反应是：人肯定会对AI更敷衍、更功利、更容易“利益最大化”。但真实实验结果往往没有这么简单，也不是所有人的神经反应都一致。这篇内容就来拆解“人工智能互动情境中的社会合作行为及其神经机制”这类研究到底在做什么、怎么设计、怎么读数据，以及对我们设计AI队友有什么启发。

如果你正在做人机交互、社会认知实验、AI agent评估，或者准备用脑电、功能磁共振去研究“人会不会和AI合作”，这篇文章会比较有用。我会按一个实际落地顺序讲：先确认研究问题，再准备环境和任务范式，然后跑通实验，最后读行为与脑成像指标，并补一些容易翻车的细节。

1. 当合作对象变成AI，核心问题不是“AI像不像人”，而是“利益最大化是否成立”

1.1 “利益最大化”不是贬义，而是可测量的基线

在博弈论里，如果合作对象没有情绪、没有社会关系、没有后续惩罚，理性决策就是最大化自己的收益。例如在公共物品博弈中，经典的“搭便车”就是利益最大化行为：别人出钱，我不出钱，我仍然享受公共收益。如果面对的是AI，理论上人们更容易选择搭便车，因为AI不会失望、不会报复、不会在下一轮故意惩罚你。

这个假设看起来非常合理，但它只是一个基线。行为研究真正要验证的是：实际决策是否完全贴近这个基线，还是说哪怕面对AI，人们也会因为自动化习惯、信任感或社会规范而表现出更多合作。换句话说，“利益最大化”是一个可能的解释，不是结论。

在不同任务里，“利益最大化”有不同形式：

• 囚徒困境：选择背叛，能确保单轮收益最高。
• 公共物品博弈：投资为0，能搭其他人的便车。
• 信任博弈：一开始转出金额为0，能避免被对方辜负。
• 最后通牒博弈：给极小分配，能让自己拿最多，但可能被拒绝。

这些任务共同点是：收益结构清晰，合作与背叛都有明确的价格。研究者可以计算“如果被试完全利益最大化，应该怎么做”，再拿实际行为去对照。这个做法最大的好处是，你能把“自利程度”量化，而不是凭印象说“人变得功利了”。

1.2 这类研究常用的四种博弈任务

“社会合作”不是单一行为，所以实验设计通常会把任务拆成几种博弈。

囚徒困境适合测量最基础的合作与背叛。两个玩家同时选择合作或背叛，收益矩阵决定结果。单人背叛收益最高，双人合作总收益最高，但风险也最大。如果把其中一方换成AI，行为变化通常先用这个任务探测。

公共物品博弈更适合放大“搭便车”效应。多个人向公共账户投钱，最后乘以一个系数再平均分配。你投得越少，别人替你出得越多；如果所有人都这么想，公共账户就会崩掉。这个任务对利益最大化非常敏感，很适合验证“面对AI时人更容易搭便车”。

信任博弈测量的是“愿意把资源交给对方”的意愿。委托人先决定转出多少钱，受托人拿到后乘三倍，再决定返还多少。如果对方是AI，被试是否会减少转出，核心反映的是对AI意图的信任。这类任务的结果往往不像想象中那么低，因为很多人会担心AI“记得我的行为”。

最后通牒博弈更适合测量公平惩罚。分配者提出方案，回应者可以选择接受或拒绝。拒绝是双输，但能惩罚不公平。如果回应者知道对方是AI，拒绝率可能会下降，因为人没有义务为“惩罚AI”付钱；但也可以不下降，因为不公平本身就会让人不舒服。这个对比直接关系到“人对AI是否有公平感”。

实际研究经常把两个任务组合起来，而不是只做一个。我建议新手先从单任务开始，确认主效应稳定，再叠加第二个任务。否则任务太多，被试容易疲劳，行为指标会混入耐心下降的因素。

1.3 先区分三个容易混淆的问题

第一，人与AI合作，不等于“人把AI当作人”。两者涉及的心理过程可能完全不同。即使被试对AI表现出合作，也可能只是把AI当成工具，发现“与AI合作效率更高”，而不是对它产生社会情感。

第二，AI的物理外观和界面形态会影响结果。头像、机器人外壳、语音、是否有名字，都会改变人的判断。很多实验只是在屏幕上显示“AI”标签，这时卷入的就是概念化AI，而非某个具体形象。写作和解读时不要混用“机器人”和“AI”。

第三，“AI是否合作”和“人是否愿意与AI合作”是两个方向。前者考察模型策略，后者考察人类决策。如果研究目标是人类合作行为，就需要把AI策略固定下来，保持稳定，才能真正分析人的反应。

2. 跑这类实验前，先把任务范式、脑成像工具和统计计划准备到位

2.1 行为实验环境和工具

行为实验可以先在线跑，也可以线下实验室跑。在线平台里，jsPsych、Pavlovia、Qualtrics 都能实现多轮博弈。线下可以用 PsychoPy 写任务，画面控制和反应时记录都更稳定。如果是毕业设计或课程项目，在线收集大样本行为数据成本更低，也更容易达到统计要求。

任务界面需要控制几个变量：

• 合作对象身份：显示“人类玩家”还是“AI玩家”，用头像、名字、标签说明。
• 收益矩阵：每个决策组合对应的回报，必须预先计算清楚。
• 反馈方式：每一轮结束后，要不要让对方看到你的选择，要不要显示对方的选择。
• 轮次顺序：人类条件和AI条件如何穿插，是否有固定 block。

我一般会先用8到10个人做预实验，不分析结果，只问他们：“你认为刚才对面是谁？”“你相信这个AI会学习吗？”“哪几轮你猜不到规则？”如果预实验里有一半人根本没注意到对象身份变化，后面正式数据也会很模糊。不要省这一步。

2.2 脑成像方法怎么选：fMRI、EEG、fNIRS

要不要上脑成像，取决于研究问题。如果只关心“人对AI是否更自利”，行为数据就够了。如果想知道“社交线索在大脑里如何处理”，再考虑神经数据。

如果你的设备条件有限，做行为实验加标准化问卷，依然能回答很多问题。比如“AI透明度会不会改变合作率”“人格特质是否调节人与AI合作行为”，这些都完全不需要脑成像。神经数据不是研究人机合作的必要条件，而是补充证据。

2.3 分析工具和统计思路

行为数据分析最好用 R 或 Python。不要只看“人类 vs AI”是否显著，还要用混合效应模型处理被试内的随机差异和轮次变化。比如被试在第1轮可能很谨慎，到第10轮才表现出利益最大化，这种学习效应如果被忽略，人类条件与AI条件的差异就会被混在一锅粥里。

fMRI 数据分析常用 SPM、FSL、CONN。EEG 数据常用 EEGLAB 或 MNE-Python。新手不要一上来就做全脑回归和大规模探索，建议先根据已有文献选择感兴趣区（ROI），做假设驱动分析，再跑全脑探索。统计上要报告效应量和置信区间，而不是只留一个 p 值。

样本量规划也得提前做。被试内设计里，如果两种条件的行为差异是中等效应量，30到40名有效被试是常见起点。但是脑成像实验会因头动、任务理解失败、数据伪迹排除不少被试，所以招募时要多留余量。在线行为研究则要尽量提高样本代表性，不要把样本只限定在校内学生群体。

3. 从招募被试到输出行为数据：完整流程怎么设计

3.1 一个可复制的七步流程

具体实验流程可以拆成七步，前两步解决被试问题，中间三步解决数据采集，最后两步解决数据质量确认。

第一步，筛选被试并完成知情同意。这一步需要确认被试没有神经系统疾病或精神科药物史，且视力或矫正视力正常。如果做fMRI，还要确认体内没有金属植入物。

第二步，填写预问卷。常用问卷包括对AI的态度、社会价值取向、孤独感、人际信任等。这些变量是后续分析里非常重要的调节变量。比如，有些被试本身对AI高度信任，那么“对AI合作率低”的效应可能被削弱。

第三步，做练习阶段。让被试完成5到10轮带反馈的练习，只练固定策略，不分析数据。练习时要明确告诉被试界面上的选项代表什么，收益点数和最终报酬怎么换算。

第四步，进入正式任务。常用做法是把人类条件和AI条件各设30到40轮，随机穿插或分block呈现。如果是脑成像实验，还要保证每轮事件之间的刺激间隔（SOA）有适当抖动，方便后续建模。

第五步，记录行为数据。每轮至少记录：对象身份、决策选项、反应时、反馈结果、本轮收益、累计收益。这些字段缺一不可。

第六步，结束后做主观评分。让被试分别对“人类玩家”和“AI玩家”在信任度、公平感、拟人感、合作意愿、觉得对方有多聪明等维度上打分。

第七步，做操作检验。直接问被试：“你认为刚才的合作对象中，有哪些是人类、哪些是AI？为什么？”这一步能识别没有正确理解条件的被试。如果错误率过高，说明操纵失效，数据不能直接纳入分析。

这七步看起来繁琐，但每步都在降低解释风险。最常见的失败是省略第七步，结果分析出来后才发现很多被试根本不知道对面是谁。

3.2 条件控制的关键点

人类条件和AI条件的“对方行为”必须匹配。否则你比较的不是“合作对象身份”，而是“对方策略差异”。比如AI条件总是背叛，人类条件总是合作，被试会对AI更少合作，但这只是对对方行为的反应，与AI身份无关。

解决方法是让两个条件使用同一个预设策略：比如统一采用50%合作率，每轮是否合作由预设脚本控制，只改变身份标签。也可以反过来，让人类条件由真人被试参与，AI条件用算法模拟真人行为。但从实验可控性看，我更推荐双方都采用脚本控制，这样能保证被试接触到的反馈信息完全一致，只留有“身份标签”这一个差异。

被试内设计还需要抵消顺序效应。一半被试先完成人类条件再完成AI条件，另一半反过来。如果条件之间任务时间很长，可以在中间设置休息或填写问卷，让被试从上一个条件中“退出来”。

3.3 行为指标怎么定义和提取

“合作率”是最常用的指标，求合作次数除以总轮次。但只看平均合作率不够，还要看连续轮次的变化。比如，与人类合作时，合作率可能保持稳定；与AI合作时，可能前5轮还有合作，后面快速下降。这个下降斜率就是“去社会化过程”的行为证据。

具体任务里的核心指标可以这样定：

• 囚徒困境：合作率、个人收益、偏离利益最大化模型的距离。
• 公共物品博弈：平均投资额、投资额随时间的变化曲线。
• 信任博弈：转出金额、返还金额变化、信任更新速度。
• 最后通牒博弈：最低可接受金额、拒绝率。

要算“利益最大化程度”，可以把理论最优行为作为参考点，计算实际行为与最优行为的绝对偏差。偏差越小，说明被试越倾向于按收益最大化决策。这个变量比单一合作率更接近研究主题。

反应时也有价值。如果被试面对人类时要花更多时间，面对AI时决策变快，说明在人类条件下发生了更多的社会推理；如果面对AI时反而更慢，可能是被试在尝试预测算法能力。反应时不能单独得出结论，但它是很有价值的辅助证据。

4. 神经机制怎么读：脑区差异不等于机制解释

4.1 已有文献里经常出现的脑区和网络

社会合作研究中，几个脑区会反复被讨论。它们不是“合作模块”，而是在不同任务下共同参与的网络节点。

纹状体和腹内侧前额叶（vmPFC）通常与收益预期、价值更新有关。当被试在算“跟AI合作划不划算”，这些区域的活动会随着反馈逐步调整。

背外侧前额叶（DLPFC）与策略控制、抑制冲动和执行复杂决策有关。如果被试明明有公平偏好，但为了利益最大化而选择不合作，DLPFC的参与度往往会增加。也就是说，利益最大化不只是“算收益”，还包括“压制社会偏好”。

颞顶联合区（TPJ）是心理理论研究中经常提到的区域，与推断他人意图有关。面对人类合作者时，被试需要预测对方会怎么想；面对AI时，如果被试不把它当作有意图的agent，TPJ激活可能降低。但TPJ也参与注意力和干扰处理，不能单独用它判断“人是否把AI当成人”。

前脑岛（anterior insula）通常对不公平、负面情绪或风险信号有响应。如果被试收到AI的不公平分配后仍然感到不适，前脑岛会有反应；如果被试觉得“无所谓，它只是AI”，反应可能会减弱。

前扣带皮层（ACC）与冲突监测有关。当被试自己要选择违背社会规范或违背初始预期时，ACC会出现更强的活动。这些信号是理解“利益最大化是有意识抑制还是自动默认”的关键。

4.2 从“行为差异”到“神经机制”怎么推理

看到一组脑区激活差异后，不要急着写“人把AI当成工具”。更稳妥的做法是建立行为-神经关联。比如，某个脑区激活差异与被试对AI合作的下降幅度相关，才说明该脑区变化与行为变化有关。如果激活差异存在，但行为上没有合作率差异，那可能只是任务难度或注意差异。

另一个重要区分是“主动不合作”和“默认不合作”。主动不合作指被试原本感受到公平规范，但为了收益选择压抑这种感受，DLPFC和ACC应该更活跃。默认不合作指被试从一开始就没有把AI纳入社会推理，TPJ等心智化网络在身份呈现阶段就较少参与，冲突信号可能不明显。这两个过程在行为上可能都表现为更低合作率，但神经路径完全不同。

脑电时程能帮助区分：如果身份信息出现后大约200到400毫秒就出现两种条件的事件相关电位差异，说明早期感知加工已经不同；如果差异只出现在决策反应前几百毫秒，可能更多是后期策略抑制。fMRI空间定位好，EEG时间分辨率好，两者结合最有说服力。

4.3 多模态同步：能加，但不要为了加而加

眼动、皮肤电、心率和表情编码能提供辅助信号。比如瞳孔扩张可能反映认知负荷或情绪唤醒，皮肤电能反映对不公平反馈的自动反应。但设备越多，数据同步越复杂。

同步前先确认时间戳一致。脑电、行为日志和眼动如果不在同一时钟上，事后对齐会很痛苦。常见做法是用事件触发器把关键时间点写入所有设备，或者在行为脚本里统一记录系统时间。多模态分析不要一开始就铺开，先把行为数据和主神经指标对好，再逐步加入辅助信号。

5. 真实操作里最容易翻车的六个坑

5.1 被试根本不信“对面是AI”

这是最致命的问题。你费了很多设备钱，最后发现一半被试觉得AI是人类，或者觉得人类背后是AI。对策很简单：实验结束后的操作检验必须存在，而且要在数据分析之前看。如果错误率超过15%，要么增强身份提示，要么排除这部分被试并说明标准。

身份提示可以做成常态：每一轮都显示“当前对象：人类/AI”，并在AI条件下允许被试提前看到一段固定的算法说明。但也要注意，过于强调AI身份可能诱发被试的“表演性”，所以要在指导语里保持中性，不引导方向。

5.2 人类条件和AI条件的“对手行为”不一致

这会让结果完全无法解释。如果AI条件的对手总是背叛，人和AI合作率低就只是因为对方策略太差。解决方法是两个条件使用同一套行为脚本，只换标签。并且要在论文或报告里明确说明：本研究的“AI身份”是通过界面标签操纵的，对方行为由预设策略控制。

5.3 奖励结构太弱，被试无所谓

如果收益只是屏幕上的数字，被试可能随意按键，结果完全没有规律。建议把点数与最终报酬挂钩，例如“累计点数越高，额外奖金越多”，并设置保底报酬。这样被试的决策才更有动机。奖励不一定要很大，但要让人感受到差异。

5.4 顺序效应和学习效应

如果所有被试都先做人类条件再做AI条件，后半段的疲劳和练习效应会和对象身份混杂。策略是ABBA平衡，或者在统计模型里放入轮次作为连续变量。也要关注在人类条件之后，AI条件是否被“锚定”：被试可能拿AI行为跟前面的人类行为比较，而不是独立判断。

5.5 脑成像数据质量没过关

fMRI实验里，头部运动过大是常见问题。处理前先看motion report，把位移超过阈值的被试剔除或修正。EEG实验则要处理眨眼、肌电和电极接触不良。自动去伪迹工具可以加快进程，但必须人工检查，不能完全交给默认参数。

更隐蔽的问题是事件时间对不准。行为程序里的按键记录时间如果没和扫描仪同步，GLM模型就会不准。做扫描前先在模拟器或非扫描环境测一遍触发信号，再做正式实验。

5.6 统计上只看 p 值

多ROI、多时间窗、多指标，很容易出现假阳性。看到某个脑区在“AI vs 人类”对比中显著，先问一句：这个结果经过多重比较校正了吗？样本量够不够？原始文献里是否常见？行为数据部分，建议报告效应量和置信区间。任何一次分析中的“惊喜发现”，都要用独立数据验证。

排查顺序建议：操作检验 -> 行为曲线 -> 数据质量 -> 统计显著性。前两步如果有问题，后面再漂亮的脑区图也很危险。

6. 这些发现对AI产品和长期人机协作实践有什么启发

6.1 别把“人类对AI更自私”当成必然结论

在单次博弈里，人确实可能对AI更倾向于利益最大化，因为AI没有社会身份，也不影响你的人际声誉。但真实产品里，用户和AI往往不是单次博弈，而是长期协作。用户会观察AI能不能完成任务、会不会抢功劳、失败后甩锅给谁。这些因素会改变合作策略。

所以，如果把研究实验室里的结果直接套用到AI助理或AI客服上，会过度解读。实验室里出现的“低合作率”只说明在匿名、无后果、无长期关系的条件下，社会规范对人机合作的约束变弱了。真正的产品设计中，机制设计比“AI有没有人味”更重要。

6.2 设计“有合作感”的AI，本质是降低猜疑成本

从认知和神经信号来看，人们会对稳定、可解释、有反馈的对象建立信任。AI不一定要像人，但至少要可预期。产品里可以增加这些信号：

• 决策理由：AI给出一个建议时，简单解释“我为什么这样做”。
• 公平互惠：用户给AI提供信息，AI明确反馈该信息如何被使用。
• 责任表达：AI出错时，不推给用户，而是说明归因范围。
• 稳定反馈：让用户逐步摸清AI的行为边界。

这些设计不必然改变用户的“利益最大化”动机，但能够降低双方协作中的不确定性。不确定性越低，用户越愿意选择长期合作，而不是每轮都试探、对抗或自保。

6.3 对后续研究和课程项目的建议

如果在校学生想研究这个话题，不建议一开始就上fMRI加复杂博弈。更现实的路径是：

先做在线行为实验，收集100到200个有效样本，比较人类条件和AI条件下的合作率。再引入一个调节变量，比如AI透明度，或者AI是否有名字。得到稳定行为效应后，再考虑小样本脑电验证。这样每一步成本可控，结论也更容易讲清楚。

如果条件允许做脑成像，优先做ROI分析，不要一开始就跑全脑搜索。研究问题可以聚焦一点：面对AI时，TPJ的激活水平是否降低，以及这个降低与合作行为关系如何。聚焦的问题比大杂烩式探索更容易得到可信结果。

关于选题，尽量避免“AI是否应被当作人类”这种宏大的哲学问题。把它操作化为“在某个具体博弈里，对象身份标签是否改变合作率，以及是否伴随特定神经信号”。这样的研究既好执行，也更好发表。

我自己最深的感受是：这类研究真正的门槛，不是设备，而是把“合作”定义清楚。对象是AI时，抽离社会关系后，人确实容易表现得更理性、更自利，但这个效应多大、什么时候消失，取决于任务反馈、身份可信度和被试的AI经验。建议先把行为曲线跑顺，再谈脑区。只要每一步都能用数据解释，结论才站得住。