技术信念的双层模型及其社会与政治后果：以人工智能为例

《Current Opinion in Psychology》：A two-layer model of technology lay beliefs and their societal and political consequences: The case of AI

　　

现代技术如人工智能（AI）能够促进经济与社会繁荣。然而，独立于其实际效果之外，消费者、劳动者与公众往往对这些技术持有负面信念，这种负面信念可能加剧对AI及更广泛技术变革的厌恶。本文以AI为核心案例考察技术信念（technology lay beliefs），并提出一个相互关联的双层模型（two-layer model）以解释其社会影响。第一层（Layer 1）捕捉对技术变革的一般性心理倾向（general psychological predispositions），为技术信念为何常常强调潜在损失提供基线解释。第二层（Layer 2）捕捉AI特有的情境化解读（contextual interpretations），这些解读可能放大或削弱该基线。研究人员运用该模型整合现有研究，并讨论AI时代技术信念的社会与政治后果。

技术信念的双层模型及其社会与政治后果：以人工智能为案例的整合性理论解读

一、研究背景与问题提出

人工智能（AI）等现代技术正在深刻改变社会与经济结构。与以往多数技术浪潮相比，AI系统日益承担起曾被视作人类独有的认知任务，包括写作、诊断、咨询、分类与决策等。这些技术可能对消费者、劳动者、组织乃至整个社会产生深远影响。然而，社会对这些技术发展的回应不仅取决于AI的客观能力，还取决于普通公众如何感知与解读这些能力。这些信念可能准确反映AI的实际能力，也可能高估、低估或错误描述其能力与后果。

技术信念——人们关于技术是什么、能做什么、对周围人与制度意味着什么的非正式常识性理解——可以独立于技术的实际效果而产生社会后果。公众对新技术持有的信念可能影响其采纳或抵制行为，影响劳动者将技术变革视为机遇还是威胁，也影响公民对制度治理技术变革能力的判断。例如，尽管AI当前对劳动力市场的影响仍然有限，公民对民主合法性的评价却因其相信AI是替代还是创造人类劳动而存在显著差异。因此，关于AI的信念即使在技术全部效果实现之前，就可能产生重要的社会与政治后果，且无论这些信念是否准确反映AI的真实能力。

已有研究考察了消费者对AI的信念，例如消费者可能认为AI无法顾及自身独特特征与处境，或无法从错误中学习。然而，这些信念的社会与政治后果仍未被充分理解。核心问题在于：公众对AI等现代技术的信念为何倾向于强调负面方面——尤其是在就业领域——以及这些信念如何影响社会与政治结果？

二、研究内容与核心模型

针对上述问题，研究人员提出一个关于技术信念及其社会后果的双层模型，以AI为核心案例。该模型包含两个相互关联的层级：第一层捕捉对技术变革的一般性心理倾向，为技术信念为何常常强调潜在损失提供理论基线；第二层捕捉AI特有的情境化解读，这些解读可能放大或削弱第一层的基线效应。该模型整合了已有研究，并系统阐释了AI时代技术信念的社会与政治后果。

三、关键技术方法

本研究为概念性理论工作（conceptual work），主要采用理论整合与模型建构方法。研究人员通过系统梳理消费者行为、组织行为、社会心理学与政治心理学等领域的已有实证研究，整合损失厌恶（loss aversion）、转换启发式（transition heuristic）、概念化（conceptualization）、标签（labeling）与框架（framing）等理论概念，构建了双层理论模型。研究未涉及实验、调查或样本队列数据。

四、研究结果

第一层：对技术变革的一般性心理倾向。 第一层解释了为何人们往往在新技术后果尚未显现之前就形成负面信念。新技术很少只带来收益而无成本。劳动者可能预期技术增强技能或侵蚀工作安全；消费者可能预期更大便利，但也需改变既有行为；公民可能将技术变革与经济增长相联系，同时担忧失业、依赖或控制力下降。因此，普通公众将技术变革评估为同时包含潜在收益与损失的混合前景。由于损失比收益更突出，潜在损失在心理上比潜在收益更为显著。这一倾向可能被人们相对于当前状态评估变化的方式所强化。当个体预期从状态A过渡到状态B时，他们更倾向于评估两个状态之间的转换——即放弃A以换取B——而非状态本身。应用于技术变革，这种转换启发式意味着人们可能较少关注新技术的绝对收益，而更多关注采纳技术所要求放弃的东西。损失厌恶与转换启发式联合运作并相互强化：转换启发式将注意力引向技术变革中可能失去的东西，而损失厌恶则使这些损失比收益被赋予更大权重。因此，即使是有益的创新也可能被视为具有威胁性，因为它们要求人们放弃熟悉的惯例、技能与制度安排。

第二层：AI特有的情境化解读。 第二层解释AI特有的情境化解读如何放大或削弱第一层的基线效应。与以往主要自动化常规或体力任务的技术浪潮不同，AI能够执行曾被视作人类独有的认知任务。AI通常被视为一种通用技术（general-purpose technology），可能不仅改变特定任务或职业，还可能改变更广泛的经济与社会系统。第二层认为，普通公众不仅通过AI的客观能力或直接使用来感知AI，还通过研究人员、企业、媒体、政策制定者与公共话语所提供的解读来感知AI。这些解读取决于三个相互交织的因素：概念化，即AI被理解为何种实体；标签，即用于描述系统的具体词汇；框架，即AI如何被定位于与人类和社会的关系中。

在概念化方面，现代AI系统能够从数据中学习模式并针对新输入生成输出，使其能够流畅对话、与用户互动并执行先前需要人类专业知识的任务。然而，普通公众往往以类人化方式概念化AI，赋予其能动性、意向性甚至意识。在标签方面，"人工智能""神经网络""AI代理""自主系统"等标签并非描述性中立的，它们可能激活人类图式并增强对智能、自主性、能动性或通用能力的感知。在框架方面，公共话语与媒体中，AI经常通过与人类对比的方式被呈现，尤其是在AI被描绘为执行先前由人类完成的任务时。这种替代叙事使一种特定的人-技术关系变得突出：AI不仅是人们使用的工具，而且是人类劳动、判断与专业知识的潜在替代品。

研究表明，当AI被概念化为行动者而非工具、被标签为自主或智能、并被框架化为替代人类执行任务时，普通公众更可能将其视为威胁人类能力与社会认同的竞争者。替代框架还可能培养公众对技术变革的零和解读（zero-sum interpretation），即认为技术收益以牺牲人类劳动为代价。这些信念可以超越工作场所关注，扩展到政治行为、民主合法性评价与政治参与意愿。相反，AI特有的解读也可以削弱第一层的基线效应。当AI被概念化为有边界的工具、被标签为"助手""副驾驶"或"决策支持系统"、并被框架化为补充而非替代人类劳动时，这些解读保留了人类能动性作为核心参照点，并将注意力从人们可能失去什么转移到借助技术支持可以做什么不同或更好的事情。

五、讨论与结论

该双层模型对公共沟通具有重要启示。模型表明，研究人员、企业、媒体与政策制定者不仅仅描述AI，他们还帮助塑造其社会意义，并可能通过标签与叙事的选择强化负面技术信念。公共传播者应明确其讨论的是哪种类型的AI，并区分替代、支持或扩展人类活动的系统。这并不意味着淡化真实风险，而是避免将AI呈现为单一自主力量或将替代描绘为不可避免。

模型进一步表明，第二层捕捉的AI特有解读可能自我强化。研究、媒体与行业叙事往往将AI视为统一类别，不明确其指的是窄域任务特定系统、生成式AI、决策支持系统、具身机器人还是通用人工智能（AGI）。这种模糊性可能强化公众将AI视为统一、具有能动性的竞争者的信念。

模型对政策制定者也有启示。技术信念不仅影响采纳与抵制行为，还影响公民参与治理技术变革的意愿。当AI被概念化为行动者、被标签为智能、并被框架化为替代人类执行任务时，公民可能更不愿意塑造其发展。AI的发展轨迹不仅取决于技术进步，还取决于组织与民主选择。

研究结论指出，技术信念的社会与政治后果独立于技术的实际效果。公众对AI的负面信念——尤其是将AI视为替代而非补充人类劳动——可能削弱民主合法性、降低政治参与意愿，并影响公民对制度治理技术变革能力的判断。AI特有的情境化解读可以放大或削弱一般性的损失聚焦基线，这意味着通过调整概念化、标签与框架，社会可以改变技术信念的轨迹及其社会与政治后果。