Strategic Intelligence in Large Language Models: Evidence from evolutionary Game Theory

我们的研究结果表明，大语言模型（LLMs）具有高度竞争力，在这些复杂的生态系统中能够持续生存，有时甚至占据优势。此外，它们展现出独特且持久的“战略特征”：谷歌的Gemini模型表现得极具策略性且冷酷无情，善于利用合作型对手并在面对背叛者时予以反击；而OpenAI的模型则始终保持高度合作，这种特质在敌对环境中被证明是灾难性的。Anthropic的Claude则展现出最强的宽容性与互惠性，即使在被利用或成功背叛之后，也表现出显著的恢复合作意愿。通过对模型提供的近3.2万条推理文本的分析，我们发现它们确实会主动思考时间范围以及对手可能采取的策略，并证明了这种思考在其决策过程中起到了关键作用。本研究将经典博弈论与机器心理学相连接，为我们在不确定性条件下的算法决策提供了丰富而细致的新视角。

该论文旨在验证大型语言模型（LLMs）是否具备战略智能，能够在竞争性环境中推理目标并做出决策。具体来说，作者通过迭代囚徒困境（IPD）测试LLMs在不同终止概率下与经典策略对抗时的表现，探索其战略适应性和推理能力。

论文的关键思路是将LLMs置于经典的博弈论场景——迭代囚徒困境中，通过演化锦标赛的方式评估其战略行为，并结合模型生成的推理文本分析其决策机制。相比以往研究仅关注模型的行为输出，本文首次系统地揭示了LLMs在复杂环境下的战略指纹和时间视野推理能力。

{首次将LLMs引入演化IPD锦标赛，对比其与经典策略的表现,"发现不同公司LLMs展现出显著不同的战略倾向（如Google Gemini的报复性、OpenAI模型的合作性、Anthropic Claude的宽容性）","通过32,000条模型生成的推理文本，证实LLMs能够主动思考时间视野和对手策略",实验设计引入“未来的阴影”（终止概率）变量，模拟现实中的不确定性和复杂性,为连接博弈论与机器心理学提供了新的实证基础}

{"“Emergent Altruism and Rogue Disposability in Multi-Agent Reinforcement Learning” (2022)","“Strategic Reasoning with Large Language Models in Repeated Games” (2023)","“The Evolution of Cooperation in AI Agents: A Game-Theoretic Perspective” (2021)","“Language Models as Behavioral Simulations in Social Dilemmas” (2023)"}