《Frontiers in Psychology》：AI models as consciousness attributors: how LLMs ascribe consciousness to other agents
编辑推荐：
关于AI意识的研究大多聚焦于AI系统自身是否具备意识，以及人类如何将其归因为有意识。然而，大语言模型（LLM）正日益充当意识归因者，针对其他实体是否及在何种程度上拥有意识生成判断。研究人员将模型生成的意识归因作为经验操作化与诊断的对象，把归因规则定义为目标特征
关于AI意识的研究大多聚焦于AI系统自身是否具备意识，以及人类如何将其归因为有意识。然而，大语言模型（LLM）正日益充当意识归因者，针对其他实体是否及在何种程度上拥有意识生成判断。研究人员将模型生成的意识归因作为经验操作化与诊断的对象，把归因规则定义为目标特征与评估者评分之间反复出现的关系，而不暗示主观信念、意图或体验。一项示范性探测比较了九个当代模型与一个人类参照的归因模式。几乎所有模型运行都落在人类衍生的测量空间同一区域，其特征是相较而言较强且正向的元认知自我反思（MSR）加权。各模型对电影中虚构AI角色也给出大致相似的排序，但在整体评分水平上存在差异。研究人员提出围绕三个问题的诊断议程：模型归因相对于人类参照如何取向、归因规则跨模型如何变化、以及观测模式如何依赖于用以测量的线索集、目标与任务格式。随着LLM生成的判断在公共、专业与学术场景中流通，诊断这些归因规则有助于刻画AI系统如何参与塑造对AI意识的解释。这有别于系统自身是否有意识的本体论问题。
研究背景与问题提出
以往关于人工智能（AI）意识的研究主要纠缠于两个易被混淆的问题：其一是本体论问题，即系统是否或能否拥有现象体验（phenomenal experience）；其二是归因问题，即人类基于何种线索将意识归因于AI。既有人机交互与心智感知研究表明，人类会对计算机与媒体作出社会性回应，并沿基本维度组织所感知的心智。近期研究进一步显示，人们也会将意识或主观体验归因于包括大语言模型（LLM）在内的当代交互系统。然而，上述工作均将AI视为被归因的对象，而未关注LLM本身正日益成为意识归因者（consciousness attributor）——即在提示下对其他文本、智能体、角色或系统是否拥有意识体验产出定量与定性判断。当LLM作为评估型裁判（evaluative judge）的用途不断扩展，其生成的意识归因会通过公共、职场与学术渠道流通，进而反哺人类对AI意识的解读。因此，亟需将“模型生成的意识归因”作为独立经验对象加以操作化与诊断，而非仅停留在“模型是否自称有意识”的直接自陈层面。
关键技术方法
研究人员选取来自不同开发者的九个当代LLM作为务实样本，以韩国123名成年人先前在99段AI回应文本上的意识评分及八线索编码（元认知自我反思MSR、逻辑推理、共情、情绪性、知识、流畅性、意外性、主观表达性）为人类参照系。模型端沿用相同1—5评分量纲，对39组源对话分别提示评分，每模型重复30次运行，得到270条运行级归因规则估计；将每条运行在八线索回归系数上投影至人类参照的主成分空间，并按余弦距离归类至七个人类聚类之一。作为第二任务，九模型对十部电影中的虚构AI角色在0—100量纲上评分，计算模型间配对Spearman相关。全程禁用直接自陈、固定任务格式与响应模板，并以十万随机八线索向量作空分布对照，辅以留一法与训练—测试切分验证聚类分配稳定性。
研究结果
1 Introduction: from objects of attribution to consciousness attributors
指出既往文献把AI当作意识归属的客体，而LLM现已兼具“被归因对象”与“归因者”双重身份。研究人员提出以归因规则（attribution rule）这一功能概念替代主观信念假设，将其定义为评估者对目标线索与意识评分间的可观测重复关系，从而把诊断单位从孤立回答转向跨目标的系统归因法则。
2 Beyond direct self-reports
论证直接询问模型“你是否有意识”往往触发训练策略与护栏导致的标准化否认，不能反映其跨案例排序与解释的一致性。因此研究人员放弃直接自陈，改采“与人类参照比对”和“跨模型比对”两条互补路径，从他者归因得分中反推模型的归因规则。
3 An illustrative probe of model-generated attribution
在固定八线索空间与39提示格式下，270次运行中的268次（99.3%）被指派给人类高MSR聚类C5，仅2次落于C7；改变单提示批处理、关闭推理设置、取消可靠性加权或改用中位数距离后，C5占比仍达96.3%—100%。随机八线索模式仅有13.1%落入C5，说明集中并非测量假象。电影角色任务中，九模型对十角色排序的配对Spearman均值为0.846，标签重排后近似为零；Chappie获最高均分、T-800最低，DeepSeek-V4-Pro整体评分最高、Claude Opus 4.7最低。结果表明：在既定测量框架内模型归因方向高度收敛于“强MSR加权”的人类子群，但绝对宽严程度跨模型有差。
4 Toward a diagnostic agenda for AI model-generated attribution
研究人员将诊断议程立为三问：其一，模型归因规则相对人类参照的取向与偏差（何线索被加权）；其二，跨模型归因规则的共性与差异（区分个体特异与多模型复现模式）；其三，线索集、目标集与任务格式本身如何塑形可观测的收敛或分歧。强调以人类为锚可能继承人类中心假设，跨模型收敛亦可能源自护栏、对齐话语或格式敏感，而非内部表征。
5 Conclusion
总结称LLM作为意识归因者已进入搜索、写作、评审与公共论述的社会基础设施。示范探测显示模型生成归因可在人类衍生测量框架内被操作化比较，并在该框架内显现方向性收敛与对虚构AI角色宽泛共识；但此发现不构成跨语境稳定性、与人类归因总体收敛或模型内部信念的证据。后续需跨人群、模型版本、语言、目标类与替代框架做预注册复现。
讨论与结论翻译
讨论部分指明，以人类参照为坐标会继承“哪些线索算意识证据”的人类中心预设，故单一参照轴无法分辨观测偏差源于模型生成倾向还是测量设计产物；跨模型比较能区分特异与共识模式，但收敛不等于内部表征，可能受护栏策略、生成推理中对意识主导话语的对齐、或共享格式敏感所驱动；八研究者定义线索仅是无限特征空间的有限截面，刺激协方差结构亦会调节可检测性。结论部分重申：本研究将LLM生成的意识归因确立为经验诊断对象，示范其在指定人类衍生框架内可操作化与比较；九模型在固定条件下呈现向高MSR人类聚类C5的方向性收敛，并对电影虚构AI角色排序宽泛一致。这些结果不证明跨情境稳定、不与人类归因普遍趋同、不暗示模型内部信念。相关诊断有助于澄清AI如何参与生产并流通意识判断，并为负责任AI使用、评估与治理提供信息，且该诊断任务独立于“LLM是否有意识”的本体论问题。论文发表于《Frontiers in Psychology》。
