AI大模型的价值观密码

新闻

作者：微信文章
（豆包作品）

当你让不同AI回答同一问题，得到的答案常带着明显倾向——GPT谈“成功”更侧重个人成就，豆包则更关注家庭与社会价值的平衡。这并非AI刻意选边，而是训练数据早已为它的价值观写下答案：就像人被成长环境塑造世界观，AI的价值观，本质是训练数据中占比最高的原生语言所承载的社会共识的缩影。

一、数据占比：价值观的“基因密码”

大模型的价值观不是程序员“写”的，而是被海量原生语言数据“喂”出来的。原生语言指以该语言为母语创作的文本，不含翻译内容，天然带着特定文化的思维烙印。

国际主流模型的“英文烙印”极强：OpenAI GPT系列中，英文原生数据占比97.42%，涵盖欧美学术论文、社交平台对话等，其中Reddit等平台的用户70%为美国年轻男性；Google Lambda模型英文占比90.62%，超半数直接来自美国原生网页。在这样的数据集里，AI对“正义”的理解更贴近西方“个人权利”，对“创新”的认知偏向硅谷逻辑。

国内模型则带着深刻的“中文基因”：百度文心一言中文原生数据占比95.5%，含3%儒家经典、60%中文互联网内容；字节跳动豆包中文占比92%，日常对话、现代学术论文构成核心语料。这些数据让AI对“孝道”“集体责任”的理解更贴合中文社会共识，思考问题时会自然考虑“人情”“大局”等文化因素。

小众文明语言则严重缺失：伊斯兰文明核心的阿拉伯语，在所有主流模型中占比均不足1%（最高仅Google Lambda的0.8%）；印度印地语占比低于0.3%，即便印度人口庞大，但其互联网内容多为英文，文化视角难以体现。这种失衡直接导致AI价值观“偏食”——欧美与华夏文明视角主导，其他文明声音被弱化。

二、语料领域：让价值观“落地”的细节

如果说语言占比决定价值观底色，语料的内容领域则让价值观变得具体可感。不同领域的文本承载着特定社会规范，塑造AI的行为倾向。

历史叙事上，GPT描述大航海时代常用“发现”“文明传播”，源于其欧美历史文献主导的语料；国内模型解读二战时，会自然突出中国抗战的牺牲，因语料中大量中文历史研究、纪念馆文献提供了视角。经济观念上，阿里巴巴通义千问的语料含30%电商文本，回答“发展经济”时会提及“共同富裕”；美国模型的经济语料多来自华尔街报告，更推崇“自由竞争”“风险投资”。

即便科学领域也藏着偏向：西方模型的科技史语料围绕古希腊理性精神、工业革命展开，易强化“西方=科学=进步”；国内模型因包含大量中国古代科技文献，会更注重四大发明、古代天文等贡献的价值。

三、过滤机制：价值观的“边界线”

最后要提的是内容过滤机制——它不是重塑AI价值观，而是为其划定输出边界，对民众认知影响显著。

C端APP的过滤最严格：无论中英文模型，都会默认过滤暴力、色情等有害内容，这是人类社会的共同底线。在此基础上，中文模型会规避违背公序良俗的内容，英文模型则重点防范“政治不正确”（如种族、性别敏感言论），这些调整让AI价值观更贴合本土主流规范。

企业版API的过滤并非完全消失，而是更灵活：企业可调整过滤阈值（如“仇恨内容”从“中等”调为“高等”），但完全关闭需特殊审批，且必须保留法律和伦理底线的基础过滤。这种设计既满足个性化需求，又避免价值观失控，但无法改变AI的核心认知——就像给苹果树修枝，能去掉坏果，却长不出橘子。

结论：没有“中立”的AI，只有“数据塑造”的立场

从数据占比到语料领域，再到过滤机制，层层因素证明：任何AI都自带价值观，其核心是训练数据中主导语言承载的社会共识。

抱怨AI“不客观”，本质是抱怨其数据未能涵盖全面视角——97%英文数据的AI难有平衡的东西方视角，95%中文数据的模型也难跳出中文社会认知框架。未来AI的进步，或许不在于追求“绝对中立”，而在于构建更多元的训练数据生态，让不同文明的声音都能被听见。而我们读懂AI背后的数据密码，才能更清醒地看待它的每一个答案。