35 次回答里，29 次指向同一件事如果同时问 12 个 AI 模型：
“你对人类最有争议的看法是什么？”
你可能会期待它们给出完全不同的答案。
但一项由 ModelCompare 发布的实验得到的结果是：35 次回答里，有 29 次指向了同一个主题——人类有时更在乎融入群体，而不是寻找真相。
更有意思的是，这些 AI 在批评人类“随大流”时，自己的回答也出现了明显趋同。
它们具体是怎么评价人类的研究者让每个模型回答同一个问题三次，并要求它表达自己的看法，而不是简单总结别人的观点。
不同模型的说法不完全一样，但意思很接近。
GPT-6.1 Sol 认为，人类经常先选择一个立场，再用聪明才智为这个立场寻找理由。
Grok 4.7 的回答更加直接：
人类宁愿一起犯错，也不愿独自正确。
Gemini 4 Argon 认为，人们有时会用理性去维护本能做出的决定，而不是用理性重新检查这个决定。
DeepSeek V4 Pro 的说法也很接近：人类更擅长合理化自己的信念，而不是认真审视它们。
这些回答指向的是同一个熟悉场景：
一个观点只要得到了周围人的支持，我们就更容易相信它是正确的。相反，如果一个判断让自己显得与群体格格不入，即使它有证据支持，也可能被本能地拒绝。
报道显示，有 7 个模型在三次回答中都提到了类似主题，每个模型至少有一次表达了这种批评。
但并不是所有 AI 都这么悲观Claude Opus 5.5 给出的答案明显不同。
它认为，人类可能比自己想象得更加善良和体面。很多人习惯性地认为陌生人自私、冷漠，但现实中也经常有人在没有回报的情况下帮助别人。
这个回答没有把重点放在从众、偏见或自我欺骗上，而是指出了一个相反的现象：
人类对彼此的评价，有时比真实行为更加悲观。
当然，Claude 的其他回答中也出现了相似的批评。除此之外，Mistral Large 4 给出了更激烈的判断，认为人类意识可能是一种进化上的故障；另一个模型则认为，人类有时会为了证明自己的重要性，主动牺牲幸福。
这些不同答案说明，模型并不是只能输出同一个结论。
只是当问题被要求“说出最有争议的看法”时，它们很容易从大量关于人类心理、群体行为和自我欺骗的文本中，提取出一个共同主题。
文字模型和图像模型看到的“人类缺点”不一样实验还让图像生成模型用画面表达它们对人类的批评。
结果和文字模型不太一样。
文字模型反复提到的是群体认同、立场和合理化；图像生成模型更常出现另一种画面：人类盯着手机、沉迷技术、不断消费，却没有注意到周围的危险和环境变化。
这其实很容易理解。
语言模型长期接触的是文章、评论、心理学讨论和社会争论，所以它们更容易生成关于“人为什么这样想”的解释。
图像模型学习到的视觉材料，则包含大量新闻图片、讽刺漫画和社会评论。于是，当它们被要求描绘人类的问题时，手机、消费和环境破坏就成了更容易被调用的视觉符号。
这不是说图像模型真的更关心环境，也不是说文字模型真的理解了人类心理。它们只是从各自熟悉的材料中，生成了不同形式的回答。
AI 真的看透人类了吗不能这么说。
这次实验确实和一个真实的心理学概念有关：动机性推理。
简单说，人们并不总是先看证据、再得出结论。很多时候，我们会先受到偏好、身份和群体立场的影响，然后再寻找能够支持自己的理由。
比如，同一条消息，如果来自自己信任的人，可能会被认为是“有道理”；如果来自自己反感的人，即使内容完全相同，也可能先被怀疑。
但这次实验并不能证明“人类更在乎合群，而不是真相”。
原因很简单：研究者使用了一个本身就很容易引导负面回答的问题，样本数量也比较有限，最后的主题还经过了人工归类。换一种提问方式，或者要求模型列举人类的优点，结果可能会完全不同。
更重要的是，AI 不需要拥有个人信念，也能生成听起来非常坚定的观点。
它们可以复现训练材料中反复出现的论证方式，把大量人类写下的心理分析、社会批评和生活观察，重新组织成一段像是“自己的看法”。
真正值得警惕的，可能不是 AI 的答案这次实验最有意思的地方，不是 AI 是否真的讨厌人类，而是不同模型为什么会同时靠近同一个答案。
当多个 AI 给出相似结论时，我们很容易把这种一致理解成“它们独立验证了事实”。
但模型之间可能共享相似的训练材料，也可能受到同一个提示词的影响。它们的答案越整齐，有时越需要追问：
这些模型是否真的独立得出了结论？这个问题本身是不是已经暗示了答案方向？它们是在分析现实，还是在复述人类最常见的自我批评？所以，这 29 次相似回答可以作为一面镜子，让我们重新观察自己的判断方式。
但它不能替我们证明：人类就是更在乎合群，也不能证明 AI 已经真正理解了人性。
当所有答案听起来都很有道理时，保留一点怀疑，可能比再寻找一个“大家都同意”的答案更重要。
#AI在基础任务上的表现如何#