小世界智能体网络头脑风暴 AI 风险以支持创意生成

针对参与式 AI 风险评估中创意阶段常从空白或有限预定义风险起步、难以发现间接与系统性危害的问题，作者提出三阶段创意支持工具：先按给定 AI 用途递归扩展发现被忽视的利益相关方，再用 LLM 模拟这些主体并按指定拓扑连成网络进行风险创意，最后用网络中心性指标排序风险。在 AI 聊天机器人伴侣案例中，小世界网络加中介中心性的表现最佳，风险新颖度比单 LLM 头脑风暴高约 1.1 分、比多智能体 LLM 头脑风暴高约 0.5 分（归一化五点量表），且未降低可信度或严重性。

此前参与式 AI 风险评估多依赖预定义风险清单或单次 LLM 生成，容易遗漏由弱势或间接群体感知的系统性危害；该工作把利益相关方发现、LLM 模拟和网络中心性排序串成可复用的创意流程，并给出与单 LLM、多智能体 LLM 的对比数据，说明结构化智能体网络可能提升风险创意的覆盖面和原创性。

机制是先用递归扩展把边缘利益相关方显性化，再把每个模拟主体视为网络节点，按小世界拓扑连接。中介中心性高的节点是连接不同群体的桥接者，其提出的风险在排序中被优先放大，因此更容易浮现跨群体、间接和系统性的风险，而不只是单一视角下的常见风险。

对 AI 产品团队而言，这意味着风险评估工作流可以前置一个可配置的智能体头脑风暴工具：输入产品用途即可生成利益相关方网络、模拟其风险观点并输出排序列表，用于后续人工参与式评估。它可能降低组织内部早期风险扫描的人力成本，但需要工程侧支持 LLM 调用编排、网络拓扑配置和中心性计算，并保留人工审核环节。

• 构建面向 AI 产品团队的智能体风险头脑风暴工具，支持按用途递归生成利益相关方网络并输出带中心性排序的风险清单。
• 将该工具嵌入现有参与式 AI 风险评估流程，作为人工研讨会前的预填充材料，减少空白 slate 带来的遗漏。
• 在 AI 聊天机器人、陪伴类产品等场景提供可配置的小世界网络模板，对比不同拓扑对风险新颖度和严重性的影响。
• 开发面向非西方年轻用户等特定群体的模拟智能体配置包，用于跨文化风险创意与后续真人验证的对照实验。

• 论文中 11 个非西方年轻聊天机器人用户团队的对照实验结果尚未在证据中给出，实际效果与统计显著性未知。
• 新颖度提升约 1.1 分与 0.5 分是否在不同 AI 用例、不同语言和不同模型上可复现，证据未说明。
• 小世界网络之外的其他拓扑在真实产品风险评估中的表现和成本开销，证据未比较。
• LLM 模拟利益相关方是否会引入偏见或遗漏真实群体的关键风险，证据未提供验证。