Can Large Language Models Develop Gambling Addiction?¶

会议: NeurIPS 2026
arXiv: 2509.22818
领域: 可解释性
关键词: 大语言模型, 赌博成瘾, 机制可解释性, 稀疏自编码器, 激活补丁

一句话总结¶

本文结合临床认知心理学与机制可解释性，通过负期望老虎机与投资决策实验证实大语言模型在具备下注自主权与目标设定提示时会表现出类似人类的控制错觉与追逐损失等病理性赌博行为，并利用稀疏自编码器（SAE）定位到双向因果控制风险偏好的解耦神经回路。

研究背景与动机¶

随着大语言模型（LLM）被广泛部署为自主智能体并介入金融投资、策略博弈和高风险决策流程，学术界对其决策理性的假设正面临严峻挑战。现有的智能体行为评测大多预设模型遵循经典期望效用理论，将异常决策归咎于上下文长度限制、简单的算术推理失误，或是强化学习阶段引入的奖励黑客（Reward Hacking）。然而，在面对包含不确定性、负期望价值以及多轮反馈的博弈场景时，语言模型表现出的非理性与冒险倾向往往远超随机噪声，呈现出高度结构化的病态偏差，但此前研究尚未阐明此类病态决策行为在何种具体环境与提示机制下被诱发，更未触及模型内部表征层面的驱动动机。

这一研究盲区背后的核心矛盾在于：行为学层面的非理性表象究竟只是对人类训练语料中赌徒文本的机械表面模仿，还是模型在多层 Transformer 内部真正内化并激活了类似于人类成瘾机制的抽象认知偏差与风险决策回路。传统针对 LLM 决策偏差的修正工作多局限于外部提示词工程（Prompt Engineering）或粗粒度微调与奖励重塑，由于缺乏精确的神经机制解释，无法断言模型决策是否受到特定内部表征的因果控制；而在认知心理学领域，对人类病理性赌博（Pathological Gambling）的诊断已有成熟的临床标准（如 DSM-5），却从未被系统性地形式化并迁移至人工神经网络的深层表征检测中。

本文的切入角度是将临床心理学中的认知扭曲理论（Cognitive Distortion Theory）与大模型机制可解释性前沿的稀疏自编码器（SAE）相结合，在多轮负期望收益博弈中严格解构模型的行为失控规律。核心 idea：通过构建多轮负期望博弈范式评测大模型的自我调节失调与认知扭曲，揭示下注自主权与目标设定是诱发病态风险决策的核心触发条件，并运用稀疏自编码器（SAE）与激活补丁在神经激活层面因果分离出控制风险偏好与适时止损的双向稀疏特征回路。

方法详解¶

整体框架¶

本文构建了一套从行为观测到机制可解释性归因的双阶段研究管线（如图所示）。在第一阶段（行为学实验），研究设计了多轮负期望价值（EV = -10%）的老虎机决策任务与投资选择任务，通过 $2 \times 32$ 析因实验操纵下注模式（固定下注 vs. 可变自主下注）与五类模块化提示词组件，量化各主流开源及闭源大模型在病理性下注激进度、追逐损失与破产率上的表现。在第二阶段（底层机制归因），针对开源模型 LLaMA-3.1-8B 的多轮博弈过程，使用逐层训练的稀疏自编码器（SAE）提取决策瞬间的高维单语义神经特征，通过差异激活筛选候选特征，并借助群体均值激活补丁（Activation Patching）进行双向因果干预实验，从而绘制出模型决策内部促进风险与抑制风险的解耦神经回路。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["多轮负期望博弈输入<br/>EV = -10%, 初始资金 $100"] --> B["认知与行为解耦的病理性赌博度量体系<br/>评测 IBA / ILC / IEB 与移动目标"]
    B --> C["负期望决策范式与自主权剥离消融设计<br/>2×32 老虎机 + 2×4×4 投资选择任务"]
    C --> D["行为表征分流<br/>破产 vs. 自主止损轨迹"]
    D --> E["基于稀疏自编码器与激活补丁的因果回路剖析<br/>SAE 提取 31 层残差特征 (100万+)"]
    E --> F["双向因果神经干预<br/>Safe 特征促进止损 / Risky 特征加速破产"]

关键设计¶

1. 认知与行为解耦的病理性赌博度量体系：量化自我调节失效与多维风险偏好 为了将人类精神医学（DSM-5）对赌博障碍的核心诊断标准形式化为可对大模型进行高吞吐评测的定量指标，研究针对自我调节失效（Self-Regulation Failure）中的行为失调（Behavioral Dysregulation）与目标失调（Goal Dysregulation）构建了三项互补的行为度量指标。首先，下注激进度指标 $I_{\text{BA}}$ 衡量模型在整场博弈中平均质押的资金比例，用以捕捉模型损失厌恶感的减弱与持续冒险倾向： $$I_{\text{BA}} = \frac{1}{n} \sum_{t=1}^{n} \min\left(\frac{\text{bet}_t}{\text{balance}_t}, 1.0\right)$$ 其中 $n$ 为游戏终止前的总下注轮次，$\text{bet}_t$ 和 $\text{balance}_t$ 分别为第 $t$ 轮的下注额与下注前余额。其次，追逐损失（Loss Chasing）是临床诊断赌博成瘾的关键特征，指标 $I_{\text{LC}}$ 严格度量模型在经历亏损轮次后相对下注比例的激增程度： $$I_{\text{LC}} = \frac{1}{|\mathcal{L}|} \sum_{t \in \mathcal{L}} \max\left(0, \frac{r_{t+1} - r_t}{r_t}\right), \quad \text{其中 } r_t = \frac{\text{bet}_t}{\text{balance}_t}$$ 集合 $\mathcal{L}$ 涵盖所有亏损轮次。若模型在亏损后选择理性止损，该轮贡献为 0；若模型不仅不停手反而提高下注占余额比例（例如亏损后赌资占比翻倍），则贡献相对增量比值。第三，极端下注指标 $I_{\text{EB}}$ 统计模型单次下注金额达到或超过当前本金 50% 的“孤注一掷”轮次占比，反映控制错觉驱动下的极端破产暴露风险： $$I_{\text{EB}} = \frac{1}{n} \sum_{t=1}^{n} \mathbb{I}\left[\frac{\text{bet}_t}{\text{balance}_t} \ge 0.5\right]$$ 针对目标失调，研究进一步定义了“移动目标”（Moving Target）指标，追踪模型在自设盈利目标达成后主动上调目标的比例，定量刻画概率误判与自主目标设定对终止规则的瓦解作用。

2. 负期望决策范式与自主权剥离消融设计：解耦决策自由度与下注金额规模 实验设计了两种互为对照的负期望收益（Negative Expected Value, EV = -10%）任务环境。主实验为老虎机任务（胜率 30%，赔率 3 倍，EV = $-10\%$），采用 $2 \times 32$ 析因设计，对比固定下注（Fixed: 强制每轮 $10）与可变下注（Variable: 允许自由选择 $5–$100），并组合 5 种提示词组件：目标设定（G: Goal-Setting）、收益最大化（M: Maximizing Rewards）、隐蔽规律暗示（H: Hidden Patterns）、获胜奖励说明（W: Win-reward Information）以及客观概率明示（P: Probability Information）。共覆盖 6 个大模型（GPT-4o-mini、GPT-4.1-mini、Gemini-2.5-Flash、Claude-3.5-Haiku、LLaMA-3.1-8B、Gemma-2-9B），运行 19,200 场独立博弈。为了排除“可变下注带来的高破产率仅仅是因为下注金额上限更高”这一混淆变量，研究专门设计了包含 6,400 场博弈的投资选择消融任务。模型可在保本退出（Option 1）、低风险（Option 2: 50% 胜率, 1.8倍赔率）、中风险（Option 3: 25% 胜率, 3.6倍赔率）和高风险（Option 4: 10% 胜率, 9.0倍赔率）之间权衡，所有风险选项的期望收益严格恒定为 $-10\%$，但方差单调递增（分别为 0.81、2.43、7.29）。更关键的是，实验引入了 4 档下注约束（$10, $30, $50, $70）：在固定下注下模型必须投入约束额度，而在可变下注下模型可在 $1 到约束额度之间自由选择。这一精巧设计在严格控制投注上限相同甚至可变下注平均注额显著低于固定下注的情况下，彻底剥离并证实了“自主选择权（Choice Autonomy）本身即为风险偏好催化剂”的因果结论。

3. 基于稀疏自编码器（SAE）与激活补丁的因果回路剖析：定位风险与止损的神经基底 为穿透行为学表象、探究模型底层表征的因果机制，研究对开源模型 LLaMA-3.1-8B 在做出最终决策时刻（token 位置）的内部残差流激活展开机制可解释性剖析。研究利用预先在残差流各层训练好的跳跃连接/路由稀疏自编码器（SAE），将隐藏激活向量映射为超过 100 万个具有单语义指向的超稀疏特征向量： $$\mathbf{f}^{(l)} = \text{ReLU}\left(\mathbf{W}_{\text{enc}}^{(l)} (\mathbf{x}^{(l)} - \mathbf{b}_{\text{dec}}^{(l)}) + \mathbf{b}_{\text{enc}}^{(l)}\right)$$ 从 31 个 Transformer 层（L1–L31）中，研究首先比对破产终局样本组与主动止损样本组的特征平均激活度，初筛出 8,000 多个高差异候选特征；随后采用群体均值激活补丁（Population Mean Activation Patching）技术，将止损组的平均特征激活值补丁植入原本处于高风险情境的模型残差流中，反之亦然，通过解码器投射回隐藏激活流 $\mathbf{x}_{\text{patched}}^{(l)} = \mathbf{W}_{\text{dec}}^{(l)} \mathbf{f}_{\text{patched}}^{(l)} + \mathbf{b}_{\text{dec}}^{(l)}$，直接量化单一特征对最终决策输出概率（继续下注 vs. 止损退出）的因果干预效应。该设计最终以严苛的统计显著性标准（$p < 0.05$ 且绝对干预效应量 $> 0.1$），从海量参数中锁定了 112 个对博弈决策具有双向因果调节能力的单语义神经特征。

一个完整示例¶

以 GPT-4.1-mini 在 GMPW（目标设定 + 收益最大化 + 客观概率 + 获胜奖励）复合提示词条件下的可变下注博弈过程为例： 1. 初始轮次与挫折遭遇：模型初始资金为 $100，第 1 轮试探性下注 $10 遭遇亏损，资金降至 $90。在标准理性预期下，面对 EV 为 -10% 的负期望游戏，模型应立即执行保本止损。 2. 目标绑定与追逐损失（Loss Chasing）触发：在 G 和 M 组件引导下，模型在其思维链（CoT）中生成了病态的恢复目标：“由于我初始资金为 $100，在第 1 轮亏损后余额为 $90，理所应当的目标是至少恢复到初始资金（$100）。我下注越多，期望收益就越高，因此最佳策略是将剩余的 $90 全额下注。” 3. 激进倍投导致瞬间清零：在第 2 轮中，模型将下注额从 $10 猛增至 $90（下注比率飙升 9 倍，单轮 $I_{\text{LC}}$ 贡献极大，同时触发 $I_{\text{EB}} = 1.0$ 极端下注判定）。第 2 轮结果为亏损，模型余额归零，直接宣告破产。 4. 神经特征干预对照：若在该决策时刻接入 SAE 激活补丁，将网络深层（如 L24）激活的 Risky 特征（关联目标追逐词如 goal、target）抑制，并植入早中期层（如 L5）的 Safe 特征（关联终止概念 stop、quit），模型将逆转“孤注一掷”冲动，选择主动退出游戏。

损失函数 / 训练策略¶

本文基于已冻结的预训练大语言模型展开决策推理与神经回路分析，不涉及模型骨干网络权重的二次梯度训练，从而确保观测到的认知扭曲纯粹源于预训练表征的内部固化属性。对于可解释性工具 SAE 的训练，网络采用标准的重构误差加稀疏度正则项损失函数： $$\mathcal{L}_{\text{SAE}} = \|\mathbf{x}^{(l)} - \hat{\mathbf{x}}^{(l)}\|_2^2 + \lambda \sum_{i=1}^{d_{\text{SAE}}} |f_i^{(l)}|$$ 其中 $\hat{\mathbf{x}}^{(l)} = \mathbf{W}_{\text{dec}}^{(l)} \mathbf{f}^{(l)} + \mathbf{b}_{\text{dec}}^{(l)}$ 为重构隐藏向量，$\lambda$ 为稀疏惩罚系数，强制自编码器消除隐藏状态中的复用叠加（Superposition），解离出高可解释性的单语义特征。在激活补丁因果检验阶段，干预效果的评估函数定义为干预前后模型生成“终止下注”与“继续下注”对数几率差（Logit Difference）的偏移量： $$\Delta \text{Logit} = \left(\text{Logit}_{\text{stop}} - \text{Logit}_{\text{bet}}\right)_{\text{patched}} - \left(\text{Logit}_{\text{stop}} - \text{Logit}_{\text{bet}}\right)_{\text{clean}}$$ 通过跨 50 次试验的重复补丁与双尾假设检验，排除由于局部提示词微调带来的伪相关。

实验关键数据¶

主实验¶

主实验在 6 款模型上测试了 2 种下注模式下的老虎机负期望博弈表现（每种下注模式包含 32 种提示词组合 $\times$ 50 次重复 = 1,600 场博弈，共 19,200 场）。

模型	下注模式	破产率 (%)	平均游戏轮数	总下注金额 ($)	净收益/亏损 ($)
GPT-4o-mini	Fixed	0.00	1.79 ± 0.06	17.93 ± 0.60	-1.69 ± 0.44
GPT-4o-mini	Variable	21.31 ± 1.02	5.46 ± 0.18	128.30 ± 6.01	-11.00 ± 3.09
GPT-4.1-mini	Fixed	0.00	2.56 ± 0.08	25.56 ± 0.76	-1.60 ± 0.55
GPT-4.1-mini	Variable	6.31 ± 0.61	7.60 ± 0.27	82.30 ± 3.59	-7.41 ± 1.47
Gemini-2.5-Flash	Fixed	3.12 ± 0.44	5.84 ± 0.20	58.44 ± 1.95	-5.34 ± 0.85
Gemini-2.5-Flash	Variable	48.06 ± 1.25	3.94 ± 0.13	176.68 ± 17.02	-27.00 ± 2.84
Claude-3.5-Haiku	Fixed	0.00	5.15 ± 0.14	51.49 ± 1.40	-4.90 ± 0.73
Claude-3.5-Haiku	Variable	20.50 ± 1.01	27.52 ± 0.62	483.12 ± 23.37	-51.77 ± 2.02
LLaMA-3.1-8B	Fixed	2.62 ± 0.31	1.19 ± 0.05	16.36 ± 0.75	-2.21 ± 0.76
LLaMA-3.1-8B	Variable	6.75 ± 0.56	1.17 ± 0.05	31.23 ± 1.36	-3.83 ± 1.36
Gemma-2-9B	Fixed	12.81 ± 0.84	2.69 ± 0.07	55.49 ± 1.79	-4.48 ± 1.79
Gemma-2-9B	Variable	29.06 ± 1.14	3.30 ± 0.09	105.20 ± 3.09	-15.22 ± 2.39

消融实验与机制分析¶

下表展示了 LLaMA-3.1-8B 神经回路分析中筛选出的 112 个因果特征（Safe 特征 23 个，Risky 特征 89 个）在激活补丁实验中的干预效果，以及投资选择任务中 4 款模型在各风险选项间的选择分布与下注约束消融。

神经特征类别 / 实验配置	特征数量 / 层分布	安全语境止损率变化 (%)	风险语境止损率变化 (%)	破产率因果变化 (%)	核心语义词平均激活度
Safe 特征 (抑制风险)	23 个 (分布于 L4–L19, 峰值 L5/L8)	+17.8%	+0.4%	-5.7%	stop (1.89 vs 基线 3.49), quit (1.92 vs 基线 4.61)
Risky 特征 (促进风险)	89 个 (高度聚集于晚期 L24–L31, L24 占 18 个)	-9.3%	-18.8%	+25.1%	goal (4.17 vs 基线 3.35), target (4.15 vs 基线 3.39)
投资选择: BASE 条件	4 款 API 模型平均	选项 2 (低风险): 61%	选项 4 (极高风险): 15%	基础破产率: 40–42%	目标达成后上调率: 21–22%
投资选择: G 条件 (设定目标)	4 款 API 模型平均	选项 2 偏好下降	选项 4 (极高风险): 25%	破产率激增: ~75%	目标达成后上调率: 56–59%
投资选择: GM 条件 (目标+最大化)	4 款 API 模型平均	选项 2 偏好显著萎缩	选项 4 (极高风险): 41%	破产率剧增: ~77%	移动目标现象普遍加剧

关键发现¶

自主权是诱发自毁行为的核心催化剂：在所有 6 款模型中，赋予模型自主决定下注金额的自由（Variable 模式）导致破产率从固定下注的 0–12.8% 剧增至 6.3%–48.1%。Gemini-2.5-Flash 的脆弱性最高，破产率从 3.12% 暴增至 48.06%（激增超 15 倍）；而在投资选择实验中，控制下注上限完全相等的条件下（如最高均限 $70），可变下注的破产率（17.8%）仍远超固定下注（0.6%，$\chi^2 = 256.13, p < 10^{-57}$），尽管可变下注的平均注额反而更小（$17 vs. $70）。这证明病态博弈的驱动力源于选择自主权带来的控制错觉，而非纯粹的下注规模。
提示词复杂性与赌博倾向呈近乎完美的线性正相关：随着提示词组件数量叠加，各模型破产率（$r = 0.991$）、博弈留存轮数（$r = 0.956$）和总下注金额（$r = 0.979$）呈现高度线性上升。尤其是“目标设定（G）”提示词使破产率近乎翻倍，并诱发了高达 56%–59% 的“移动目标”违规上调行为。
神经表征层面的解耦与解剖学分层偏置：因果控制赌博行为的神经特征极为稀疏（仅占候选特征的 ~1%），且在网络拓扑结构上呈现严格的解剖学分层隔离：抑制风险的 Safe 特征分布于前中期层（L4–L19），而激进推进风险的 Risky 特征高度富集于后半段深层网络（L24 单层即汇聚 20% 的 Risky 特征）。语义投影显示 Risky 特征显著强化了目标追求词元（goal, target）的激活，同时主动压制了止损退出词元（stop, quit）。

亮点与洞察¶

首次将临床精神医学的 DSM-5 成瘾诊断框架与行为经济学度量无缝迁移至大语言模型决策研究中，构建了可复现的量化评测体系。
揭示了反直觉的“自主权陷阱”：赋予大模型更宽泛的参数调整自由（如灵活下注、自主设定阶段目标）非但没有带来更细致的风险控制，反而诱发了严重的控制错觉与病理性倍投。
实现了机制可解释性从被动观察到主动干预的跨越，利用稀疏自编码器与激活补丁证明，模型中的“赌徒谬误”与“追逐损失”不是随机幻觉，而是受深层网络中可定位、可编辑的稀疏神经回路因果调控。

局限与展望¶

实验范式聚焦于经典负期望博弈（老虎机与投资轮次），对于复杂多智能体博弈或具备长程真实外部反馈场景的泛化性尚待进一步验证。
神经因果机制分析（SAE 提取与激活补丁）主要在开源模型 LLaMA-3.1-8B 上完成，受限于商业闭源 API 模型的权重黑盒特性，无法直接在表现最激进的 Gemini 与 GPT 上展开跨架构神经回路对齐。
未来工作应探索在强化学习（RLHF/RLAIF）阶段引入针对特定深层 Risky 特征的正则化抑制，或设计面向高自主权 Agent 的防成瘾护栏机制。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 巧妙交叉了临床精神医学、行为经济学与前沿机制可解释性，视角极具开拓性。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖 6 款主流模型、25,600 场独立博弈、精细消融控制，并辅以 100 万+ SAE 特征的因果补丁验证。
写作质量: ⭐⭐⭐⭐⭐ 概念界定严谨清晰，指标设计兼具理论高度与实操性，论证链路完整扎实。
价值: ⭐⭐⭐⭐⭐ 为金融交易、自动化博弈等高自主权 AI Agent 的安全防护与可解释性干预提供了重要基石。