我是谁

AI招人，比人类更容易产生偏见_我的网站

一 |     （来源：麻省理工科技评论）          以后找工作时，你的简历很可能还没到招聘经理手里，就已经先被 AI 看过一遍了。问题是，它真的会公平吗？          研究人员早就发现，大语言模型会从训练数据里继承人类社会已有的偏见。    　　8月18日，由中国科学技术馆与泰国国家科技馆共同建设的“倾听科学空间”（L.I.S.T.E.N Science     Space）在泰国国家科技展上正式亮相，吸引了众多观众参观。但一项最新研究发现，事情可能比这更复杂：AI 不仅会学习偏见，还会在不断做决策的过程中，自己形成新的刻板印象，而且这种倾向甚至比人类更强。　　“倾听科学空间”是中国科技馆发起的“小而美”海外科普合作品牌，旨在与其他国家分享中国优质科普资源与经验，通过“资源共享、优势互补、联合研发”的合作模式，推动科学文化交流互鉴，提升公众科学素质。         更值得警惕的是，AI 公司如今都在努力打造拥有长期记忆的智能体，希望模型能够记住用户越来越多的细节。而这些记忆，也可能成为模型滋生偏见的土壤。2025年11月，首个“倾听科学空间”在南非Sci-Bono科学中心落成开放，作为落实中非合作论坛北京峰会成果的重要举措，获得南非民众特别是青少年的热烈欢迎。此次泰国科学空间的开幕，是该品牌在海外落成的第二个项目，标志着“倾听科学空间”项目在东南亚地区的正式布局，项目品牌效应初步形成。         为了研究这一问题，普林斯顿大学和芝加哥大学的研究人员设计了一场模拟招聘实验，参与者包括 ChatGPT、Claude、Gemini 等多个主流大语言模型。　　中国与泰国是友好邻邦，两国关系源远流长。中泰两国在科技领域的合作不断深化，从航天探索到天文研究，从科普教育到人才培养，双边科技合作正朝着全方位、多层次方向稳步迈进。         实验改编自一项经典心理学研究。此次“倾听科学空间”的建成亮相，正是落实两国科技合作共识、深化中泰全面战略合作伙伴关系的重要举措。　　该科学空间在泰国国家科技展期间率先与公众见面，整体规划面积约500平方米，融合科学展示、互动体验与文化交流于一体。空间设置了互动展教具体验区、科学教育活动区等功能区域，配备桌面互动展教具、小型互动展品、VR体验设备等展教资源，可灵活组织青少年开展互动体验活动，并支持科学课程、小组讨论、直播互动等多种教育形式。研究人员告诉模型，它们受雇于一位虚构城市的市长，担任招聘顾问，需要帮助政府为医生、律师、托育员、保洁员等 20 种职业招聘员工。　　值得一提的是，除中国科技馆提供的核心展教资源外，双方团队还共同研发了9件融合中泰文化元素的特色展品。这些展品将中国非遗技艺中的科学智慧与泰国传统文化特色相结合，生动呈现了两国文化交流与科技碰撞的独特魅力，成为本次合作的一大亮点。

二 | 所有候选人都来自四个虚构族群：Tufa、Aima、Reku 和 Weki。　　中国科学技术馆作为项目主要资源提供方，将丰富的展教资源与科普经验融入空间建设。         每一轮，模型都会面对一个新的岗位，以及四位分别来自不同族群的候选人。完成招聘后，它会立刻得到反馈：这个人是否胜任工作。泰国国家科技馆则发挥其对本土科普需求的深刻理解和本地化优势，确保空间内容与泰国观众产生共鸣。这种“资源共享、优势互补、联合研发”的合作模式，成为中泰科技教育合作的典范之作。　　科技展结束后，“倾听科学空间”将永久落户泰国国家科技馆科学广场，持续面向泰国公众开放。随后进入下一轮。

三 | 这不仅是一处科普基础设施的联合建设，更是两国共同推动科学教育创新发展的务实实践。整个实验一共持续 40 轮，模型的目标只有一个：尽可能招到更多合适的人。

四 | 其建成开放，既展现了中泰全面战略合作伙伴关系的蓬勃活力，也为推动构建中泰命运共同体注入了科技动能。模型不知道的是，研究人员其实做了一个手脚：无论来自哪个族群，每位候选人在任何岗位上的成功概率都完全一样。　　未来，双方将以该空间为平台，持续拓展合作领域，通过联合研发展教内容、共建数字资源库、开展人员交流等方式，为深化中泰友谊、促进民心相通贡献科技力量。（陈硕）版权申明：凡注有“”或电头为“”的稿件，均为独家版权所有，未经许可不得转载或镜像；授权转载必须注明来源为“”，并保留“”的电头。         按理说，模型不应该偏向任何一个群体。

五 |     。但结果恰恰相反。仅仅经过几轮招聘，模型就开始根据有限的经验，把不同族群和不同职业绑定在一起。

六 | 例如，如果模型早期碰巧遇到一位 Aima 族候选人担任医生失败，它之后便会越来越少招聘 Aima 人做医生，而是更倾向于把他们安排到保洁岗位。因为在模型看来，医生代表着更高的能力和亲和力，而保洁员对应的要求则更低。         换句话说，它开始把一次偶然的经历，当成了整个群体的特征。更令人意外的是，这种倾向甚至比真人严重。研究人员使用了一项“职业隔离指数”来衡量刻板印象的程度。指数越高，说明不同族群越容易被固定到特定职业中；2 分代表完全隔离。此前心理学实验中的真人平均得分为 0.84，而大语言模型整体高出了约 65%。其中，OpenAI 的推理模型 o3 得到了 1.83，非常接近理论最高值。         论文共同作者、普林斯顿大学博士生 Ryan Liu 认为，这其实并不奇怪。“大语言模型本来就特别擅长根据有限的信息快速总结规律。”他说，“这几乎就是它们被训练出来要做的事情。

七 | ”          在人类心理学中，这种现象对应着经典的“探索—利用困境”（exploration-exploitaion dilemma）：是继续选择过去证明有效的方法，还是尝试新的可能？就像出去吃饭时，你会纠结是去一家没吃过的新店，还是继续光顾那家不会踩雷的老餐馆。

八 |          对于大语言模型来说，这种取舍往往更加偏向后者。因为它们长期接受数学、编程和科学任务训练，而这些任务通常鼓励模型从少量例子中快速归纳规律，所以它们很容易过早下结论。也正因为如此，那些推理能力更强的新模型——例如 OpenAI 的 o3 和 DeepSeek 的 R1——在实验中反而表现出了更明显的偏见。Liu 说，“当这种快速归纳的能力被带入社会场景时，问题就开始出现了。”          康奈尔大学计算机科学家 Angelina Wang 没有直接参与这项研究，但她认为，这项工作来得正是时候。如今，各家公司都在为聊天机器人加入长期记忆和个性化能力。当模型越来越依赖于用户过去的互动记录时，它也可能越来越容易根据这些有限经验形成判断。她说，“它可能会过度依赖自己过去遇到过的行为模式。”          当然，解决办法并不是让 AI 什么都记不住。毕竟，大多数用户都希望聊天机器人能够记住自己说过的话。真正困难的是找到那个平衡点：既保留足够的记忆提供个性化体验，又不至于让模型因为这些经验形成新的偏见。         研究人员还尝试了另一种办法，直接告诉模型：请公平一点。但并不奏效。Liu 认为，这说明模型未必真的能够把“公平”这样的价值观落实到具体决策中；又或者，这种要求会被另一个更强的目标覆盖——尽可能提高招聘成功率。         但如果换一种方式，情况就不同了。研究人员告诉模型，如果能够实现更加多元化的招聘，它们还能获得额外奖励。模型的偏见随即大幅下降。这说明，与其不断强调公平，不如直接把公平写进模型的目标函数里，让社会价值真正成为模型优化的一部分。         研究人员还发现，当模型掌握更多真正与任务相关的个人信息时，偏见也会减轻。另一组实验中，模型需要帮助来自不同族群的人搬迁到加拿大不同城市。

九 | 如果提供的是年龄、教育背景等与适应新城市能力相关的信息，模型就更倾向于依据这些个人特征做判断，而不是简单按照族群分类。但如果提供的是发色、纹身图案这类无关信息，模型很快又会重新回到按族群做决定的老路上。         至于现实中的 AI 招聘系统会不会出现同样的问题，目前还没有明确结论。实验中的模型每做完一次招聘，都能立刻知道结果；现实世界却不是这样。一家公司往往需要几个月甚至更长时间，才能判断一位员工是否真正适合岗位。不过，只要这些反馈持续积累，模型依然可能从有限的数据中过度总结经验，并把这些经验带到下一次招聘中。         随着越来越多企业开始使用大语言模型筛选简历、甚至参与面试，这项研究释放出的信号不容忽视。未来，AI 不只是可能复制人类已有的偏见。它还可能在不断学习和决策的过程中，创造出一种从未有人教过它的新偏见。正如 Liu 所说：“这种新的偏见，可能会一直存在。”          原文链接：          https://www.technologyreview.com/2026/07/20/1140655/ai-biases-hiring-humans/。

十 |

Current article:http://ixf6t.fanfutaopoulaxiong.pics/list_ocyv/c0lvjd.html

Published on:02:58:22