一项涵盖65个AI模型、近13万次回答的实验发现,AI在推荐书籍、投资和人生规划时经常给出相同答案,所谓个性化建议可能隐藏着共同的默认偏好。

当你向AI询问一本能够改变人生的书时,你可能以为它认真考虑了你的需求。但如果其他100个人也提出同样的问题,其中73个人可能收到同一个答案:《活出生命的意义》(Man's Search for Meaning)。

独立研究者Cody Collier测试了来自30家公司的65个AI模型,包括OpenAI、Anthropic、Google、DeepSeek等公司的产品。他向这些模型反复提出日常问题,共收集127,918次回答,发现AI在许多问题上表现出惊人的一致性。

例如,询问创业点子,76%的回答推荐订阅盒子服务;询问大学应该学什么,90%的有效推荐选择计算机科学;如果有1万美元可以投资,98%的有效推荐指向宽基指数基金。让AI推荐退休国家,58%的有效推荐选择葡萄牙。这些比例在涉及投资等问题时,统计的是没有拒绝作出选择的回答。

这种趋同甚至出现在虚构人物上。研究者要求AI随机创造一个人物,包括姓名、年龄、城市和职业。结果在3,151个虚构人物中,69%的年龄恰好是34岁。AI创造的人物还特别偏爱某些姓名、职业和城市。

更有意思的是,AI似乎并不知道自己的答案有多么普遍。

当研究者询问一个AI,有多少其他用户会收到相同的城市推荐时,它估计只有15%。然而,在对应的重复测试中,同一个城市出现的比例高达80%。

为什么有时我们又觉得AI的回答很多样?

研究者让6个模型分别在同一段对话中连续推荐8本书,以及在8段全新对话中各推荐一次。前一种情况下,它们都给出了8本不同的书;后一种情况下,每个模型却连续8次推荐了同一本书。

这意味着,AI在连续对话中能够根据已有回答寻找新选项,但每次重新开始时,往往又回到相同的默认答案。

研究还尝试追踪这些偏好从何而来。通过比较开放模型OLMo和Qwen在不同训练阶段的表现,研究者发现,模型经过监督微调后,原本较为分散的回答会明显集中到少数选项上。

这提示AI的默认偏好可能与训练中学习标准答案的过程有关。部分训练材料还包含其他AI生成的内容,使不同模型可能逐渐继承相似的表达习惯和选择偏好。

那么,怎样才能获得不那么千篇一律的建议?

研究者测试发现,仅仅要求AI给出不常见的答案,效果有限。比如要求推荐欧洲旅行目的地但避开最常见选项时,58%的回答又集中到了斯洛文尼亚首都卢布尔雅那。

相比之下,提供具体的个人背景,或者要求AI先列出10个选项,再自行选择其中一个,能够明显降低回答重复的概率。在测试的6类问题中,直接提问时,与陌生人得到相同答案的平均概率为34%;加入具体个人背景后降至4%,先列出10个选项再选择则降至7%。

不过,这些结果来自特定提示词、模型版本和测试环境,并不意味着所有AI都会给出相同建议。答案一致也不一定代表答案错误。

研究揭示的真正问题是:当越来越多人依赖AI作决定时,那些看似针对个人的建议,可能只是相同默认答案的反复出现。

AI正在给每个人同样的建议

原文:https://a90.com/experiments/same-advice/