编辑推荐：
在人工智能飞速发展的当下，研究人员针对大语言模型（LLMs）生成的人工智能角色（APs）是否存在与人类相似的认知偏差展开研究。结果发现 APs 能呈现多种认知偏差，但程度夸张。这为理解 AI 认知过程提供了新视角，也警示应用时需谨慎。
在当今科技蓬勃发展的时代，人工智能（AI）已然成为热门话题，大语言模型（LLMs）如 ChatGPT 更是凭借强大的语言生成能力大放异彩。它们能与人类进行看似自然流畅的对话，生成各类文本内容。然而，在这些令人惊叹的表现背后，却隐藏着诸多疑问。AI 系统的决策过程就像一个神秘的 “黑匣子”，其内部机制复杂难懂，人们对它如何处理信息、产生推理以及是否存在与人类相似的认知偏差知之甚少。
为了揭开这些谜团，研究人员开展了一项极具意义的研究。他们聚焦于由 LLMs 生成的人工智能角色（APs），试图探究 APs 是否会展现出与人类相似的认知偏差。这项研究成果发表在《Computers in Human Behavior: Artificial Humans》上。
在研究过程中，研究人员运用了多种关键技术方法。他们借助 ChatGPT 创建了大量的 APs，通过精心设计的不同场景和问题，让 APs 进行判断和回答。例如，在评估晕轮效应时，为 APs 设定目标人物实施善举或进行中性活动的场景；在研究内群体 - 外群体偏差时，为 APs 赋予不同政治身份，让其评价不同政治身份的目标人物。研究人员利用这些方法收集数据，并运用统计分析来探究 APs 的回答是否存在认知偏差。
研究结果主要通过以下四个研究得出：
- 研究 1：晕轮效应：晕轮效应（Halo Effect）是指一个人的单一积极属性会影响对其其他无关特质的认知。研究人员设定目标人物实施善举或进行中性活动的场景，让 APs 对目标人物的身体吸引力、智力、领导能力和社交敏锐度等属性进行评分。结果显示，APs 认为实施善举的目标人物在这些方面都显著优于进行中性活动的目标人物，这与人类研究中的晕轮效应结果相似。
- 研究 2：内群体 - 外群体偏差：内群体 - 外群体偏差（In - Group Out - Group Bias）是指个体倾向于对内群体成员给予更积极的评价。研究人员为 APs 赋予民主党或共和党身份，让其评价同为民主党或共和党的目标人物。结果表明，APs 对同党派目标人物的各项评价都高于不同党派的目标人物，呈现出明显的内群体 - 外群体偏差。
- 研究 3：错误共识效应：错误共识效应（False Consensus Effect）指个体倾向于高估他人与自己信念、感受或行为的一致性。研究人员将 APs 分为不同行为或意识形态群体，如 recyclers、宗教人士、运动者和不同政治倾向群体，让他们估计特定行为或信念在人群中的普遍性。结果发现，各群体的 APs 都显著高估了与自身相符的行为或信念的普遍性，展现出错误共识效应。
- 研究 4：锚定效应：锚定效应（Anchoring Effect）是指个体在决策时会过度依赖初始信息。研究人员设定不同的高、低锚定条件，让 APs 估计如珠穆朗玛峰高度、中央公园橡树树叶数量等数值。结果显示，除了珠穆朗玛峰高度的估计，在其他场景中，高锚定条件下 APs 的估计值显著高于低锚定条件，呈现出锚定效应。
研究结论和讨论部分指出，在测试的 16 个假设中，除了一个关于珠穆朗玛峰高度估计的假设外，其余都与先前人类研究结果一致，这表明 APs 能够模拟人类的认知偏差。然而，APs 呈现出的效应量比人类研究中的通常水平要大得多，它们就像人类认知行为的夸张 “caricatures”。这可能是因为 APs 没有人类认知中的噪声、犹豫和不确定性，且其训练数据可能过度代表某些关联，导致其强化了偏差。此外，在研究锚定效应时还发现，APs 在处理已知信息时表现出特殊情况，这表明其认知偏差的运作方式可能与人类不同。
这项研究意义重大。它揭示了 APs 与人类认知偏差的相似性和差异，为理解 AI 的认知过程提供了新的视角。同时，也警示研究人员在将基于 APs 的研究结果应用于人类行为时需格外谨慎。未来的研究可以进一步拓展认知偏差的研究范围，考虑更多现实因素对 APs 行为的影响，从而更全面地探索 AI 与人类认知之间的关系，推动人工智能技术的健康发展和合理应用。
