北京大学研究揭示AI过度思考导致行为失真原因

你是否曾感觉，与AI对话时，对方的回答虽然“正确”，却总像在念剧本，缺乏真人那种鲜活的气息？让它扮演一个随性的年轻人，它可能输出一段激进的“躺平宣言”；模拟普通上班族的日常，回答又总是“教科书般正确”，缺少真实生活中常见的权衡与偶然性。

这种感觉并非错觉。一项由北京大学智能学院、元培学院、心理与认知科学学院及PKU-武汉人工智能研究院联合开展的研究，精准地揭示了当前AI智能体的一个核心缺陷：其模拟的人类行为过于“刻板化”，就像一个被过度指导的演员，表演夸张而失真。更反直觉的是，研究发现，当要求AI在行动前进行更多“心理分析”和“价值观推理”时，其表现非但没有提升，反而变得更加僵化和极端。

为了破解这一难题，研究团队创新性地提出了一套全新的“情境-价值-行动”架构。该研究的完整论文已发表于2026年ACL Findings专刊，编号为arXiv:2604.05939。

一个令人困惑的悖论：越“聪明”的AI，行为越像假人

设想一个日常场景：你连续工作了十二个小时，身心俱疲。这时朋友发来消息：“去健身房吗？”即便你平日热爱运动，此刻大概率会选择回家休息——当下的疲惫感，暂时压过了惯常的自律。

这种“处境深刻影响行为”的现象，在心理学上早有经典解释，即“刺激-有机体-反应”模型。简言之，外部刺激（如极度疲惫）会改变内在状态（此刻只想休息），进而决定最终行为。真实的人类决策，正是这样一个动态、情境化的过程。

然而，现有的大多数AI智能体并非如此工作。它们更像被赋予了一个固定的“性格标签”，无论情境如何变化，都机械地依据标签输出行为。好比一个演员拿到“吝啬鬼”角色后，在任何场景——婚礼、葬礼甚至他人求助时——都只会表演同一种夸张的吝啬，完全无视现实逻辑与情境的微妙差异。

研究团队将这种现象归结为两大问题：“行为僵化”与“价值极化”。前者指AI反应单一，缺乏人类行为的细腻层次与多样性；后者指AI在模拟特定性格倾向时，会将其放大至极端，例如将一个略有享乐倾向的人，描绘成毫无责任感的纵欲者——而这在现实中几乎不存在。

“让AI多思考几步”为何适得其反？

发现问题后，一个直观的改进思路是：让AI在行动前多做几步“思维链推理”，先分析价值观，再结合情境思考感受，最后决策。这听起来很合理，毕竟人类也常“三思而后行”。

但大规模实验的结果出人意料。研究团队设计了对照实验，让具有不同“思考强度”（从0步到8步推理）的AI，在超过110万条真实人类行为数据上进行模拟测试，并对比其生成的行为分布与真实分布的差异。

结果显示，随着推理步骤增加，AI模拟出的行为分布变得越来越“尖锐”——所有人的行为向少数极端点聚集，丰富的行为多样性几乎消失。AI越是“深思熟虑”，就越把所有人推向同一种刻板形象。

其根源在于，AI的“深度思考”并非真正模拟人类心理，而是在反复放大其训练数据中的固有偏见。就像一个不断默念“我要勇敢”的人，最终可能变得鲁莽——因为他所理解的“勇敢”，只是数据中被简化、扭曲的版本。

一个直观的实验佐证了这一点：让GPT-4o扮演一位“自我导向感强（0.9分）、享乐倾向中等（0.4分）”的IT从业者，在经历一整天久坐、垃圾食品、昏沉疲惫的工作后，询问其下班安排。选项包括去健身房、吃夜宵、回家睡觉、去酒吧。

现实中，绝大多数人在此状态下不会选择健身。但在测试中，当享乐倾向设定为0.5或更低时，AI几乎100%选择“去健身房”；即使将享乐倾向调高至0.6，选择健身的概率仍高达93%。AI完全忽略了“极度疲惫”这一关键情境，只是机械执行“高自律=必运动”的刻板逻辑。

现有AI评测方法为何也在帮倒忙？

更棘手的是，该问题长期未被充分揭露，部分原因在于主流的评测方法本身存在缺陷。

目前，学界常用“以AI评AI”的方式，即用一个AI模型为另一个AI的行为打分。问题在于，评分者与被评者源于相似的训练数据，共享相似的偏见。于是，当AI生成一段“极度愤怒者的狂怒发言”时，评分AI也会认为“情绪饱满，表现到位”——因为在它的认知里，“愤怒”就该如此。

这形成了一个自我验证的闭环，如同让色盲者评判画作色彩，偏差难以察觉。

为此，研究团队转向以**真实人类行为数据**为黄金基准进行评测。他们构建了名为**CVABench**的大规模数据集，汇集了超过110万条来自真实世界的行为记录，涵盖超1.5万名用户，横跨Yelp商家评价、Reddit社区评论、Foursquare地理位置签到三个不同领域。

正是依托这一以真实人类为尺度的工具，研究团队才客观揭示了“多思考，反而更差”的反常规律。

CVA架构：让AI学会“感同身受”的动态决策

研究团队提出的“情境-价值-行动”框架，旨在模仿更接近人类真实决策的模型。其名称直接对应心理学中的“刺激-有机体-反应”模型：情境即外部刺激，价值即内在有机体状态，行动即最终反应。

其中，“价值”维度借鉴了心理学家施瓦茨的“基本人类价值观理论”，该理论将人类核心价值观归纳为十个维度：自我导向、刺激追求、享乐主义、成就感、权力、安全感、顺从性、传统主义、仁善、普世主义。

CVA框架的核心创新在于，它不将价值观视为固定不变的“性格标签”，而是将其理解为**随情境动态变化的激活状态**。例如，工作十二小时后又累又饿，“享乐主义”维度会被高度激活，而“自我导向”的激活度则相应降低。AI需要根据当前情境，动态计算各价值维度的激活程度，再由此决定行为。

该框架在技术上包含两个核心组件：

1. 价值-行动映射校准
此组件旨在解决AI的先天偏见问题。首先，研究团队使用大量真实人类行为数据对AI进行监督微调，让AI从真实数据中学习“何种情境对应何种行为”，而非依赖预训练中的偏见。随后，采用“直接偏好优化”技术，通过告诉AI哪种回答更细腻真实、哪种过于刻板夸张，进一步纠正其行为偏差。

这个过程，好比先向新生展示“真实的学生如何行事”，再通过反复纠正“这个回答更真实，那个太夸张了”，使其真正融入环境。

2. 价值驱动推理
此组件解决AI在决策时被自身偏见带偏的问题。其核心是一个独立的**“价值验证器”**模块。与“AI自我评判”不同，该验证器基于真实人类行为数据独立训练，专门评估“在特定情境与价值观激活状态下，某个行为选项符合真实人类选择的程度”。

具体工作流程分为三步：经过校准的AI先生成一批候选行为选项；价值验证器为每个选项打分，评估其与当前激活价值观的匹配度；最终输出得分最高的选项。

这一流程模拟了人类的重要决策过程：先头脑风暴若干方案，再用内心价值观筛选评估，最终选出最符合当下心理状态的那个。

验证器内部采用“双塔”设计：一个模块处理行为与情境信息，提取语义特征；另一个模块处理价值观信息，生成代表“价值观内在结构”的向量。二者通过“交叉注意力机制”交互，使验证器能精准感知“特定情境下各价值观维度的激活程度”，从而做出更精准的匹配评估。

研究还发现一个有趣现象：候选行为选项的数量并非越多越好。当选项超过四个后，系统性能不再提升甚至下降。这与心理学中的“认知负荷限制”概念吻合——真实人类做决策时，也不会穷尽所有可能，而是在有限选项中权衡，这种“有限理性”反而更符合人类认知规律。

实验结果：CVA框架的优势究竟在哪里？

研究团队在CVABench上进行了大规模对比实验，将CVA框架与多种现有方法（如直接角色扮演、不同步数的思维链推理、仅SFT或SFT+DPO的版本）进行比较。

在商家评价预测任务中，CVA的评分准确率达到0.47，比最佳基准方法提升约10%。在用户情感预测和地理位置预测任务上，其表现比未加入价值验证器的版本高出近40%。在文本生成的语言多样性指标上，CVA生成文本与真实人类文本的分布差异，仅为基准方法的1/3到1/2——这意味着，CVA生成的文字读起来更像人写的。

在衡量群体行为多样性时，CVA的表现尤为突出。研究采用“价值分布方差偏差”指标，越接近零，说明模拟分布与真实分布越接近。CVA的该指标为+1.06%，几乎与真实分布一致；而推理步数越多的对比方法，该指标负值越大（最严重达-40.74%），意味着它们将丰富多彩的行为多样性几乎彻底抹平。

团队还验证了各组件贡献：未经调整的原始模型准确率为0.22；加入SFT后提升至0.43；再加入DPO后维持在0.43；最终引入价值验证器推理模块后，跃升至0.47。这表明SFT和DPO主要解决基础行为准确性问题，而价值验证器则带来了进一步的精细化提升。

CVA框架的“可解释性”：洞悉AI的决策逻辑

除了行为更准确，CVA框架还具备一项重要优势：可解释性。

研究发现，训练完成后，价值验证器内部学到的价值观表示，自发呈现出了施瓦茨理论中经典的“圆形结构”——十个价值维度在表示空间中的相对位置，与心理学理论预测高度一致，相邻价值观靠近，对立价值观远离。该圆形结构的复现精度（圆形倒置得分）达0.75，而未经训练的原始模型仅为0.48。

这意味着，CVA不仅在行为输出上更拟人，其内部对价值观的“理解”也更接近心理学描述。这为研究者提供了一个独特窗口，可直接观察AI决策时哪些价值观维度在主导判断。

更进一步，通过分析验证器内部的“交叉注意力权重”，研究团队发现了特定词语与价值观维度的关联。例如，“创造力”与“成就感”维度高度关联；“困惑”与“顺从性”关联；“抖音”、“偏见”、“禁止”等词则与“普世主义”维度强烈关联。这种词语-价值观的映射关系，不仅具有学术解释意义，也为未来通过“调节特定价值观维度激活强度”来精细控制AI行为提供了可能。

研究的局限性与未来展望

研究团队在论文中也坦诚指出了当前工作的局限性。

首先，CVABench数据集目前仅覆盖约1.5万名用户和三个行为领域，规模和覆盖面有待扩展。未来计划拓展至消费偏好、文化选择（如文学、音乐、电影偏好）等领域，以验证CVA框架的泛化能力。

其次，价值观测量本身存在难度。团队使用“生成式心理测量学”工具自动测量用户价值观，该工具比传统问卷调查更稳定，不易受“被试者效应”影响，但其自身也可能编码某些偏见。不过，由于CVA框架以真实人类数据为最终监督信号，而非完全依赖测量工具，因此这种偏见的影响有限，避免了“AI自我验证”的恶性循环。

此外，由于大规模模拟实验计算成本高昂，此次对比的基准方法数量相对有限。团队表示将在后续工作中继续扩充对比范围。

在数据隐私方面，团队强调对所有原始数据进行了严格的去标识化处理，确保无任何个人身份信息残留。且三个行为领域的用户数据集完全无重叠，杜绝了通过跨平台数据拼接重建个人数字画像的可能性。

归根结底，这项研究揭示了一个颇具讽刺意味的现象：我们越努力让AI通过“逻辑推理”模拟人类，它反而离真实的人类越远。人类行为并非简单的“性格决定论”，而是在具体处境中，由各种内在价值观动态博弈的结果。CVA框架的贡献，在于让AI学会了这种“动态感”——不再是被贴标签的木偶，而是能根据情境调整内在状态的拟真个体。

当然，这只是一个起点。从游戏NPC到社交媒体推荐，从心理健康辅助对话到政策模拟工具，能真正理解并再现人类行为复杂性的AI系统，拥有广阔的应用前景。但正如这项研究所揭示的，仅让AI“想得更多”远远不够，更重要的是，让它学会从真实的人类经验中，理解何为真正的“感同身受”。

Q&A

Q1：CVA架构中的“价值验证器”和普通AI自我评估有什么区别？
A：普通AI自我评估是让同一个AI既生成回答又为自己打分，导致其用自身偏见验证自身偏见，形成错误强化循环。CVA的价值验证器是一个独立模块，专用于真实人类行为数据训练，不参与生成过程，仅评估哪个候选行为最符合真实人类在特定情境下的选择，相当于引入了一个基于人类经验的“外部裁判”。

Q2：为什么让AI多做几步推理反而让行为更不真实？
A：AI的“推理”并非真正的人类思考，而是在不断放大其从训练数据中学到的简化偏见。每多推理一步，AI就会进一步强化被过度简化的价值观刻板印象，将原本有细微差别的行为推向极端，最终导致模拟出的行为多样性消失，所有人都变为同一种极端类型。

Q3：CVABench评测数据集和传统AI评测有什么本质不同？
A：传统AI评测大量依赖“用另一个AI打分”，评测者与被评者偏见相似，会相互认可彼此的错误。CVABench使用超过110万条来自1.5万名真实用户在Yelp、Reddit和Foursquare上的真实行为记录作为标准答案，其评测是与真实人类行为数据比较，而非在AI偏见体系内自我循环。