科学家发现大模型在用英语和中文回答问题时表现出不同的文化倾向

人工智能模型正在悄然展现出令人意想不到的文化特征。麻省理工学院与同济大学的研究团队近期发表在《自然人类行为》杂志上的一项突破性研究揭示，广泛使用的大型语言模型在使用不同语言回答问题时，会表现出截然不同的文化倾向和思维模式。这一发现不仅挑战了AI技术中性的传统观念，更为全球化时代的人工智能发展提出了新的思考方向。

研究团队选择了两个具有代表性的模型作为分析对象：在美国及欧洲、中东地区广泛使用的GPT，以及主要在中国使用的ERNIE。通过对这些模型生成的大量中英文回答进行系统分析，研究人员发现了一个惊人的现象：同一个AI模型在使用中文和英文回答时，会展现出不同的文化价值观和认知风格。

社会取向的文化差异

研究重点关注了两个核心的文化心理学维度。首先是社会取向，即个体与他人关系的定位方式。传统文化研究表明，东方文化更倾向于相互依存的社会取向，强调集体利益和人际关系；而西方文化则更注重独立的个人能动性。

令人意外的是，GPT模型在这一方面表现出了明显的语言相关性。当使用中文回答时，GPT展现出更加相互依赖的社会取向，更多地强调集体主义价值观和社区归属感。相比之下，在英文回答中，同一模型则倾向于表达更加独立的个人主义观点。

这种差异不仅体现在抽象的价值观表达上，更在实际应用中产生了具体影响。研究显示，当GPT使用中文生成广告推荐时，更可能推荐强调相互依赖社会取向的广告内容，而英文版本则倾向于推荐突出个人独立性的广告。

除了社会取向，研究还发现了认知风格方面的显著差异。认知风格指的是个体处理信息的方式，主要分为整体性思维和分析性思维两种类型。整体性思维注重整个系统的关联性和情境因素，而分析性思维则专注于具体细节和逻辑推理。

实验结果表明，GPT在使用中文时展现出更加整体性的认知风格，倾向于综合考虑各种因素和情境关系。而在英文模式下，同一模型则表现出更加分析性的认知特征，更专注于逻辑推理和细节分析。这种差异在归因偏差任务、直觉推理任务和期望变化任务中都得到了一致的验证。

ERNIE模型的测试结果进一步证实了这一发现的普遍性。尽管ERNIE主要面向中国用户，但其在中英文使用中同样表现出了类似的文化倾向差异，这表明这种现象并非特定模型的偶然特征，而是大型语言模型的普遍特性。

训练数据的文化印记

这些发现的根本原因在于AI模型的训练数据本身就承载着深刻的文化印记。大型语言模型通过学习海量文本数据来获得语言能力，而这些文本不可避免地反映了特定文化背景下的价值观念和思维模式。当模型处理中文内容时，它学习到的是中文语境下的文化特征；处理英文内容时，则吸收了英文语境下的文化元素。

这种文化嵌入性并非设计者的有意安排，而是训练过程中的自然结果。研究人员指出，生成式AI模型本质上是在具有文化属性的文本数据上训练的，因此在使用不同语言时表现出文化倾向是可以预期的现象。

这些文化倾向的存在对AI技术的实际应用产生了深远影响。在全球化的商业环境中，同一个AI助手可能会根据使用语言的不同，向用户提供带有不同文化偏向的建议。这种现象可能影响跨文化交流、商业决策和教育应用等多个领域。

研究还发现，通过文化提示技术可以在一定程度上调整这些文化倾向。例如，明确要求模型采用特定文化背景人士的视角，可以生成与该文化价值观更加一致的内容。这为开发更加灵活和文化敏感的AI系统提供了技术路径。

这项研究的意义远超出了学术范畴。它提醒我们，AI技术的发展不能忽视文化因素的重要性。随着AI模型在全球范围内的广泛应用，如何平衡文化多样性与技术统一性成为了一个重要课题。

研究人员建议，未来的AI系统设计应该考虑提供文化偏好设置功能，让用户能够选择希望AI回答时体现的文化价值观。这种个性化的文化适应性可能成为下一代AI系统的重要特征。

同时，这项研究也为AI伦理和公平性研究开辟了新的维度。传统的AI偏见研究主要关注性别、种族等人口统计学特征，而文化偏见作为一个更加复杂和微妙的维度，需要更多深入的研究和关注。

随着AI技术的不断发展，理解和处理这些文化差异将成为构建真正全球化、多元化AI系统的关键。这不仅是技术挑战，更是人类社会在数字化时代面临的重要议题。