学习具有社会意识的运动表征是近年来多智能体问题（如人类运动预测和人群中的机器人导航）取得进展的核心。尽管已取得令人鼓舞的进展，但现有基于神经网络学习的表征在闭环预测（例如输出发生碰撞的轨迹）中仍难以实现良好泛化。这一问题主要源于序列预测固有的非独立同分布（non-i.i.d.）特性，以及训练数据分布不均。直观来看，若训练数据仅来源于安全环境中的行为样本（即“正例”），学习算法便难以捕捉“负例”（如碰撞）的概念。为此，本文通过自监督方式显式建模负例来解决该问题：（i）我们提出一种社会对比损失（social contrastive loss），通过区分真实正例与合成负例，对提取的运动表征进行正则化；（ii）我们基于对罕见但危险情境的先验知识，构建具有信息量的负样本。所提方法显著降低了近期轨迹预测、行为克隆与强化学习算法的碰撞率，在多个基准测试中优于当前最优方法。代码已开源，地址为：https://github.com/vita-epfl/social-nce。