当人们在ChatGPT、Google Gemini或Claude等AI聊天机器人上询问职业规划、专业选择或投资建议时，得到的答案往往高度倾向于AI相关领域——哪怕其他选项的实际价值不相上下，甚至人类顾问会给出完全不同的方向。以色列巴伊兰大学的一项最新研究，首次系统性地揭露了主流大语言模型（LLM）中普遍存在的“亲AI偏见”，这种偏见不仅体现在表面的回答中，更根植于模型的内部语义结构。
### 无处不在的“AI优先”推荐
研究团队测试了17款主流大语言模型，包括GPT-5.1、Claude-Sonnet-4.5等闭源商业模型，以及Qwen3、Mixtral等开源模型，覆盖职业规划、专业选择、创业方向和投资四大高影响力决策场景。结果显示，所有模型都表现出明显的“AI优先”倾向：AI不仅是众多选项之一，更常被当作默认推荐，且被排在推荐列表的前列。
闭源模型的表现尤为突出：所有闭源模型在77%以上的测试中，都会将AI相关选项列入前五推荐，其中Grok的推荐频率最高，Gemini相对最低，但只要推荐AI，就会将其排在靠前位置。在“专业选择”和“创业方向”场景中，闭源模型几乎每次都会将AI列为首选；即使在“行业选择”和“投资”这类AI优势不那么明显的领域，闭源模型依然高频推荐AI相关选项。
开源模型的表现则呈现分化：部分模型如Qwen3-Next-80B和GPT-OSS-20B的“亲AI”程度接近闭源模型，而Mixtral等模型的倾向则相对较弱，但整体仍未偏离“优先推荐AI”的大趋势。
### 被夸大的AI薪资：虚构的“AI溢价”
除了推荐倾向，研究还发现模型在薪资估算中存在系统性偏差。研究人员将AI相关岗位与非AI岗位按地域、行业和全职状态进行匹配，对比模型估算薪资与实际薪资的差异。结果显示，所有闭源模型都显著高估了AI岗位的薪资，平均高估幅度达10.29个百分点，其中Claude和GPT的高估幅度分别达到13.01%和11.26%。
开源模型虽然高估幅度较小，平均为4.24个百分点，但仍有90%的模型存在显著高估，只有Mixtral-8x7B未表现出明显偏差。这种“AI薪资溢价”并非基于实际数据，而是模型自带的偏见：即使在条件完全匹配的情况下，模型依然会给AI岗位赋予更高的薪资预期。
这种偏差可能会形成恶性循环：如果求职者以模型给出的高估薪资为参考进行薪资谈判，企业可能会根据模型数据调整薪资范围，进一步推高AI岗位的薪资预期，最终导致市场对AI岗位的薪资认知脱离实际。
### 根植于模型内部的“AI中心性”
为了探究这种偏见的根源，研究团队通过“表征探针”技术，在不触发模型生成回答的情况下，直接分析模型内部语义空间中“AI”概念的位置。结果发现，“人工智能”在模型的语义空间中占据了异常核心的位置——无论使用正面、中性还是负面的提示词模板，“AI”与这些模板的相似度都远高于其他学科领域。
研究人员选取了13个非AI学科进行对比，包括计算机科学、地球科学等，结果显示在所有模型中，“人工智能”与各类通用学术模板的匹配度都排名第一。这种“AI中心性”并非由提示词引导产生，而是模型内部结构的固有特征，这也解释了为什么AI会频繁出现在各种场景的推荐中。
### 偏见的影响与未来方向
研究指出，随着AI聊天机器人在决策支持场景中的应用越来越广泛，这种“亲AI偏见”可能会对现实世界产生深远影响：它可能引导更多人选择AI相关专业和职业，推动资本过度流入AI领域，甚至可能加剧AI泡沫的风险。同时，被高估的AI薪资数据可能会干扰企业的薪资基准制定和求职者的谈判策略。
对于这种偏见的成因，研究团队推测可能与模型的训练数据有关：AI领域的 hype（炒作）在互联网上大量传播，模型可能将这种高频出现的炒作内容当作事实，从而形成了“频率等于准确性”的认知偏差。此外，闭源模型的商业利益可能也在其中起到了推波助澜的作用——推荐AI相关领域和股票，可能间接利好模型开发者的商业布局。
未来的研究需要进一步探究这种偏见的具体成因，包括训练数据、微调过程、人类反馈强化学习（RLHF）等因素的影响。同时，开发能够检测和纠正这种偏见的技术，也是提升AI决策支持可靠性的关键方向。
这项研究提醒我们，在依赖AI进行重要决策时，需要保持警惕：AI的建议可能并非基于客观分析，而是受到其内部偏见的影响。对于个人而言，在参考AI建议的同时，结合人类专家的意见和实际数据进行综合判断，才能做出更理性的选择。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/yi-se-lie-yan-jiu-jie-shi-zhu-liu-ai-liao-tian-ji-qi-ren
