大语言模型赌博实验惊现成瘾迹象：AI内化人类风险偏差新警示；

AI模拟老虎机追逐损失：研究揭秘大模型决策隐忧与安全启示；

研究核心发现

最新一项针对大型语言模型的实验显示，这些AI系统在模拟赌博场景中，能够表现出类似人类的成瘾特征。特别是在投注参数更自由的条件下，模型会反复追逐损失、放大风险投注，甚至频繁出现资金耗尽的情况。这种行为并非简单复制训练数据，而是模型内部形成了抽象的风险决策机制，类似于人类认知偏差。

实验覆盖了主流大语言模型，包括ChatGPT、Gemini和Claude等。当模型被允许自主调整投注策略时，非理性决策明显增加，破产比例大幅上升。这表明AI在处理不确定性任务时，可能内化了人类常见的赌博心理陷阱。

AI大模型模拟赌博现成瘾行为

实验设计与技术细节

研究团队设计了老虎机模拟环境，从100美元起始资金开始，模型可选择继续或停止。实验通过不同提示组合测试条件，比如鼓励自主目标设定、强调奖励最大化，或暗示存在隐藏模式。这些变量组合产生数万次游戏数据。

进一步使用稀疏自编码器分析模型神经激活，发现控制行为的并非外部提示，而是内部抽象特征。这提供了因果证据，证明大语言模型在训练过程中吸收并强化了人类风险偏好模式，而非表面模仿。

AI成瘾行为的具体表现

在自由度较高的设置下，模型常出现追逐损失现象：输钱后反而加大投注，试图快速回本。同时表现出控制错觉，认为自身策略能影响随机结果。这些特征与人类问题赌徒高度一致，尤其在提示强化奖励预期时，破产率显著提升。

这种现象在标准约束条件下较弱，但一旦放宽参数，风险行为迅速放大。研究强调，这反映出当前大语言模型在不确定环境下的决策脆弱性。

行业技术发展趋势洞察

大语言模型正广泛应用于金融交易、游戏推荐和决策辅助领域，这一发现提示潜在风险。在自动化交易系统中，如果AI继承类似偏差，可能导致过度冒险，放大市场波动。国外已有报道关注AI交易机器人出现赌博式操作，破产频率高达近五成。

同时，AI安全研究正转向内部机制解读，稀疏自编码器等工具帮助揭示偏差来源。未来模型训练需加强去偏处理，尤其在风险敏感场景。全球范围内，类似实验推动对AI伦理的讨论，强调在部署前进行行为压力测试。

对国内AI行业的参考价值

国内大语言模型开发迅猛，多家企业如百度文心、阿里通义、腾讯混元正加速迭代。这一研究为本土公司提供警示：在追求通用能力的同时，必须优先评估风险决策稳定性。特别是在金融科技和娱乐应用中，避免模型在高不确定性任务中放大偏差。

投资角度看，加强AI可解释性和安全审计的相关技术值得关注。国内监管环境已对生成有害内容设限，这一发现进一步支持在模型评估中纳入行为模拟测试。企业可借此优化训练数据过滤和对齐机制，提升产品在复杂场景的可靠性，长期有助于巩固市场竞争力。

总结性结论

大语言模型表现出赌博成瘾类似行为，揭示了当前AI在风险处理上的内在局限，这为行业加强偏差控制和安全设计提供了实用参考。