在百万智能体系统中归因涌现

大语言模型（LLM）可以模拟个体代理的类人推理和决策。由大语言模型支持的多智能体系统（MAS）将这些智能体组合起来模拟人口规模的社会现象，例如两极分化、信息级联和市场恐慌。此类研究需要将宏观出现归因于个体主体，但现有的公理方法在 $N$ 中进行组合缩放，并且仅限于 $N \lesssim 10^3$，而它们解释的现象发生在 $N \geq 10^6$。我们通过将 Aumann-Shapley 路径积分归因应用于百万代理规模的 LLM 支持的 MAS 来解决这一差距；所得方法满足所有四个公理，在相同硬件上运行速度比采样 Shapley 快四到五个数量级。我们使用这种方法来实证测试规模差距：在 14 天的公共 Bluesky 数据（$1{,}671{,}587$ 活跃用户）中，我们计算了全规模和小规模研究使用的可见性偏差 $N = 10^2$ 便利样本的归因，两者在结构上不一致。从整体来看，长尾和中层共同占据了大多数；带有偏见的小小组将几乎所有事情都归因于少数高关注者帐户。然后我们证明，在任何非线性宏观指标下，分歧都不能通过事后重新调整来减少：归因尺度偏差定理表明，没有全局重新调整因素可以调和小规模和全面归因。因此，全面归因不是一种方法论选择，而是对任何非线性宏观指标的理论要求。