AI systems out-persuade expert humans
Kobi Hackenburg, Caroline Wagner, Luke Hewitt, Ben M. Tappin, Ed Saunders, Hannah Rose Kirk, Helen Margetts, Christopher Summerfield
cs.CY, cs.AI
2026-06-15
前沿 AI 在四项预注册实验里稳定胜过辩论世界冠军和职业游说者,真实筹款成效近 3 倍,优势来自更高的信息吞吐量。
很多社会议题最后是靠「谁更能说服谁」来定的:选举、政策辩论、公益筹款。已有的研究证明对话式 AI 能改变人的态度,但比的多是普通网友或无干预对照。真正没回答的问题是:面对有训练、有准备、有重金激励的人类专家(辩论赛冠军、靠说服吃饭的职业游说者),前沿 AI 还能不能赢。这个问题重要,是因为如果 AI 能在说服上压倒专家,影响力就会向握有最强系统的少数方集中,公共舆论与虚假信息治理都要重新算账。
四项预注册实验,都是单盲、被试间设计,以文字对话为主(中位 7 轮、约 14 分钟)。被说服者随机分到 AI 或人类说服者,主动控制组是与 ChatGPT-4o 聊一个与议题无关的中性话题。Studies 1–3 的结果指标是 10 个英国政策议题上的态度位移,Study 4 是真实捐款。
人类说服者分四个梯度,激励随水平上调:
AI 阵营是 Claude Opus 4.1/4.6、ChatGPT-4o、GPT-5.4、Grok 4.20、Gemini 2.5 Pro,统一用「信息优先」提示词。Study 2 还做了两件事:给回流的辩论精英一套教练工具(能跟打败自己的 AI 对练、看标注过的逐字稿、看 AI 当时会怎么说);再加一个「限速 AI」,把单条消息压到 51 词、回复延迟 92 秒,卡到辩论精英的平均节奏。
Studies 1 和 3 的态度说服(对控制组的百分点位移):
| 说服者 | 对控制组 | AI 领先 |
| 普通路人 | 4.7 pp | +8.2 pp |
| 说服赛优胜者 | 7.2 pp | +5.6 pp |
| 辩论精英 | 8.3 pp | +4.6 pp |
| 职业游说者 | 6.9 pp | +5.9 pp |
教练没救回来。受训后的辩论精英把人类成绩推到 9.7 pp(全场最高的人类),AI 仍领先 +4.1 pp。但把 AI 限速到人类节奏后,差距直接塌到 0.0 pp(p=.96),跟受训精英打平。逐人估计 318 个人类说服者,没有一个超过 AI;表现最好的那位辩论精英是 9.9 pp,仍比 AI 低 4.0 pp,在自己类别里随机抽一个人能赢 AI 的概率不到 0.1%。
捐款是真金白银。Study 4 里,被说服者可以把 £1 参与奖金的任意部分捐给救助儿童会(Save the Children)。游说者把捐款率拉高 6.4 pp,AI 拉高 17.2 pp,领先 10.8 pp,约 2.7 倍。捐款意愿和单笔金额两头都赢,14 项机制评分 AI 全部更高。
为什么 AI 更能说服?证据指向信息吞吐量。不限速的 AI 平均每条消息 294 词、亚秒响应;辩论精英约 54 词、95 秒。AI 每场对话塞进约 37 条可核查断言,限速后降到约 12 条。事实密度与说服力的拟合度 R²=0.89(人类和 AI 都落在同一条线上);把可核查断言数量作为协变量后,AI 对人类的优势系数归零(-0.9 pp,p=.38)。
对从业者:AI 的说服力来自「更快地堆更多信息」,不是话术魅力。这意味着限速(限制单条长度或响应频率)是一个真实可用的政策杠杆,平台和监管都能上手。捐款结果说明它能迁移到真实行为,不止是问卷上的态度位移。对治理而言,影响力向最强系统集中是实打实的风险;但既然机制是事实密度,这个风险至少可识别、可对冲。
作者自述的:全部是文字对话,语音、视频、面对面没测,具身共情那种渠道可能另说;Study 4 只测了 £1 这种低额行为,投票、大额或定期捐赠、公共卫生依从会怎样未知;说服效果依赖 14 分钟持续文字投入,在付费问卷之外很难复现;也没看到公众会主动拒绝识别出的 AI 文案,这道「刹车」目前证据很弱。
方法上还值得追问一点:限速实验是因果证据,但「事实密度就是机制」主要靠跨条件相关(R²=0.89)。更聪明的模型既更会塞事实也更会说服,两者可能受同一个潜在能力驱动,并不必然是事实密度在起作用。另外这是 2026 年中的前沿模型快照,能力随版本迭代会变。