2025_NIPS_Social World Model-Augmented Mechanism Design Policy Learning

一、文章主要内容总结

本文针对人工智能社会智能中“设计自适应机制以协调个体与集体利益”这一核心挑战，提出了一种名为SWM-AP（Social World Model-Augmented Mechanism Design Policy Learning） 的新方法。该方法基于模型的强化学习框架，核心目标是解决现实社会系统中智能体异质性（存在持久隐性特质如技能、偏好）、系统动态复杂性，以及真实交互成本高导致的样本效率不足等问题。

核心组件与工作流程

1. 社会世界模型（Social World Model, SWM）：
   • 通过无监督学习从交互轨迹中推断智能体的隐性特质；
   • 学习基于特质的系统动态模型，预测智能体对部署机制的响应、状态转换及社会福利回报。
2. 机制设计策略（Mechanism Design Policy）：
   • 包含先验特质追踪器（Prior Trait Tracker），在真实交互中实时推断智能体特质；
   • 通过与SWM的模拟环境交互生成大量训练轨迹，提升样本效率，最终部署最优激励机制以最大化社会福利。

<