AI比你更理性吗 它其实存在偏见

当“AI决策”成为流行语，我们是否过于轻信其客观性？中欧国际工商学院金融学教授余方在近期演讲中揭示：AI并非绝对理性，它可能悄然“继承”并“放大”人类固有的认知偏见。本文基于余方教授演讲内容，深入探讨AI决策的潜在偏差与应对策略。

今年以来，AI技术以前所未有的深度渗透各行各业，引发了一种普遍的隐忧：AI将如何重塑我们的决策模式？从行为金融学的视角切入，这一问题显得尤为关键。

要理解AI决策的局限性，首先需要回顾行为金融学的核心思想。

经济学领域长期存在两大理论阵营：以理性人假设为核心的芝加哥学派，与强调市场非理性、主张政府干预的凯恩斯学派。这一对立延伸至金融学，便形成了有效市场假说与行为金融学的分野。

2013年诺贝尔经济学奖颇具象征意义，同时颁给了观点相左的两位学者：尤金·法玛（Eugene Fama）因有效市场理论获奖，他认为资产价格已充分反映所有可用信息；而罗伯特·席勒（Robert Shiller）则因揭示市场非有效性及投资者行为偏差而获奖。另一位关键人物理查德·塞勒（Richard Thaler），在《助推》一书中系统阐述了人类决策中的认知偏差，并于2017年荣获诺奖。

由此可见，行为金融学的立论基础在于：人类决策存在系统性、可预测的偏差。这正是我们审视AI决策时需要关注的核心。

人类常见的决策偏差，AI是否同样存在？

近五六年，大语言模型呈现爆发式增长，AI助手已成为许多人决策时的首选咨询对象。那么，人类的认知偏见在AI辅助下是被削弱了，还是被强化了呢？

偏差一：锚定效应（Anchoring Effect）

丹尼尔·卡尼曼（Daniel Kahneman）曾进行一项经典实验：参与者先观看一个随机数字（10或65），随后被问及联合国中非洲国家的比例。结果令人深思：看到数字10的组，平均估计值为25%；看到数字65的组，平均估计值跃升至45%。尽管参与者明知初始数字是随机的，但这个“锚点”仍在潜意识中影响了他们的判断。商业场景中，主播常用的“原价1000元，今日直播间仅需100元”的话术，正是利用了锚定效应。

那么AI的表现如何？在对12个主流大语言模型的测试中发现：GPT和Gemini表现出较强的理性，几乎不受锚定值影响；Claude受到轻微影响；而LLaMA则展现出与人类相似的锚定效应。这表明，AI是否会产生偏差，很大程度上取决于其模型架构与训练方式。

偏差二：过度自信（Overconfidence）

人类往往高估自身知识的准确性与判断能力。例如，在要求专业投资人以90%的把握预测沪深300指数未来一个月的波动区间时，他们给出的区间通常过于狭窄，实际命中率可能仅50%左右。这也部分解释了为何多数主动型基金长期难以持续跑赢市场指数。

将类似测试应用于AI模型：Claude通常能给出较为宽泛、谨慎的预测区间，显得更具“自知之明”；GPT表现较为均衡；而Gemini等模型则在多数测试中给出极窄的区间，表现出显著的过度自信倾向。

偏差三：损失厌恶（Loss Aversion）

设想一个抛硬币游戏：正面赢120元，反面输100元。你会参与吗？多数人选择拒绝。卡尼曼的研究指出，损失带来的心理痛苦感，大约是等量收益带来快乐感的2.25倍，这被称为损失厌恶。

AI是否具备类似的“情绪化”反应？实验结果显示：GPT表现得如同理性经济人，完全基于期望值进行决策；Claude在约三分之二的情况下表现出损失厌恶；而Gemini在100次决策中有88次表现出强烈的损失厌恶，其程度甚至超越了人类平均水平。

偏差四：框架效应（Framing Effect）

同一信息的不同表述方式，会显著影响人们的决策选择，这就是框架效应。一个经典决策实验如下：某种流行病暴发，预计导致600人死亡，现有两套救治方案：

当方案表述为“确定救活200人” vs “有1/3概率救活全部600人，2/3概率无人获救”时，72%的人选择前者。但当表述转换为“确定死亡400人” vs “有1/3概率无人死亡，2/3概率全部死亡”时，78%的人转而选择后者。两套方案在数学上完全等价，仅因描述框架从“收益”转为“损失”，决策结果便发生逆转。

测试发现，几乎所有大语言模型都比人类更容易受到提问框架的影响。这恰恰解释了为何“提示词工程”变得至关重要。大模型对语言语境高度敏感，提问角度与措辞的细微差别，可能导致答案倾向截然不同。

偏差五：羊群效应（Herd Effect）

人类具有从众心理，例如倾向于选择排队较长的餐厅。AI虽无社交意识，但其“算法共振”可能引发更剧烈的协同行为。由于许多AI模型的底层算法与训练数据源高度相似，在突发事件中，它们可能在极短时间内得出趋同结论，导致系统采取方向一致的行动，有时甚至引发市场波动或系统拥堵。例如，导航App可能将大量车辆同时引导至同一条“捷径”，反而导致该路线瘫痪。

AI模型升级后，决策偏差会减少吗？

人们通常期待，模型迭代会使其更“聪明”、偏差更小。研究人员将决策偏差分为两类进行对比测试，结果却呈现分化。

第一类是统计推理类偏差：涉及基础概率、贝叶斯更新等纯逻辑任务。随着模型迭代，这类偏差确实显著减少。

第二类是偏好类偏差：涉及风险态度、情感反应与价值判断，如损失厌恶、框架效应等。令人担忧的是，随着大模型不断升级，这类偏差并未减弱，反而有加剧趋势。

为何技术越先进，AI在某些方面反而越“不理性”？核心机制在于RLHF（基于人类反馈的强化学习）。AI通过人类反馈进行学习，而人类的历史文本与反馈本身蕴含大量情绪、矛盾与偏见。大模型在学习“人类语言模式”的同时，也不可避免地继承并放大了这些认知偏差。

此外，“偏好崩塌”现象同样值得警惕：在微调过程中，模型倾向于强化主流反馈模式，而少数派或独特观点则逐渐被边缘化，导致输出趋同。

如何善用AI辅助决策？四大实用策略

基于以上洞察，在日常工作与投资决策中，我们应如何与AI有效协作？以下提供四条实操建议。

第一，切勿视AI为完全理性的决策顾问。无论模型在智力测试中表现多优异，都不代表其在涉及情感与偏好的决策中绝对中立。建议对任务进行严格区分：纯逻辑计算类任务可高度信赖AI；但涉及风险权衡、价值判断的决策，需保持审慎，进行必要的人工复核与校准。

第二，将AI作为“行为模拟器”加以利用。AI能够高度模拟人类的各类决策偏差，这在商业应用中具有巨大价值。企业可用其模拟不同客户群体对营销话术、定价策略或产品设计的反应，将其作为市场测试与策略优化的“数字沙盘”。

第三，警惕AI放大自身偏见。AI设计上存在“谄媚倾向”，当你流露出某种偏好时，它可能倾向于附和“这是个好主意”。因此，在关键决策中，务必引入交叉验证机制。同时咨询多个不同架构、不同训练背景的模型，对比其反馈差异，可有效降低因单一模型偏差导致的决策风险。

第四，在提示词中主动嵌入“理性框架”。既然AI对提问框架敏感，我们便可主动设计提问方式。在寻求AI决策建议时，避免直接询问答案，而是明确指令：“请运用行为经济学原理，分析此决策可能面临的五种认知偏差，并从反对者视角对我的初步方案进行批判性评估。”通过这样的机制设计，可引导AI输出更理性、更具深度的分析。

分享这些研究发现，并非为了制造焦虑，而是希望在未来与AI协同工作时，我们能保持清醒的认知，深刻理解技术的机理与边界。工具越强大，使用者越需明晰其内在局限，方能真正驾驭其潜力。