AI群体的智慧：研究大语言模型中的人工群体智能

人类群体智能表现出卓越的集体准确性，但面临成本、协调和时间方面的可扩展性限制。我们研究大型语言模型（LLM）是否可以通过人工群体来近似群体智能效应，从而解决理解基于人工智能的聚合机制的关键差距。我们在三个专有模型（GPT-5、Gemini 2.5 Pro、Claude Sonnet 4.5）上进行了一项受控实验，使用 960 个手动执行的提示，测试八个估计任务的模型内采样和模型间聚合。结果表明，通过模型内和模型间聚合，误差得到一致减少，不同聚合策略的 MAPE 误差显着降低高达 37 个百分点。我们观察到相对置信区间宽度和相对估计误差之间存在从小到大的正相关效应（Spearman $ρ=0.242-0.568$，所有$p<0.001$），这表明大语言模型在评估不确定性时具有元认知意识。我们讨论对研究和实践的影响，为在组织决策中部署大语言模型群体提供可行的见解。