Cultural Perspectives and Expectations for Generative AI: A Global Survey Approach

该论文通过一项涵盖全球多地区的大规模调查，从不同社群中提炼出文化的操作性定义，以评估人们对生成式 AI 如何呈现文化 artifacts、概念及价值观的看法与期望，并最终提出了包括参与式方法、超越地理维度的文化考量以及文化“红线”敏感性框架在内的开发建议。

要点

给 AI 装上“文化雷达”：一项全球大调查的通俗解读

想象一下，你手里有一个超级厉害的**“魔法画笔”（这就是生成式 AI，GenAI）。只要你说一句“画个节日”，它就能立刻变出绚丽的画面。但是，这个画笔目前有个大毛病：它好像只读过“西方英语世界”的书，对其他地方的风俗习惯、宗教信仰和传统故事一知半解，甚至经常乱画一通**，把神圣的东西画得滑稽，把严肃的历史画得轻浮。

这篇论文就是谷歌研究团队为了治好这个毛病，向全球 13 个国家的 5600 多人发了一份**“文化体检表”**，看看大家心里到底怎么想。

以下是用大白话和比喻为你拆解的核心内容：

1. 为什么要做这个调查？（背景）

现在的 AI 就像是一个**“只会说英语的留学生”**，虽然聪明，但不懂人情世故。

• 问题所在：AI 训练用的数据大多来自互联网，而互联网上英语内容太多，导致 AI 在画“文化”时，容易把非洲的部落画成原始人，把亚洲的寺庙画成迪士尼乐园。
• 核心痛点：AI 研究者大多不懂人类学或文化研究，他们不知道哪些东西是**“绝对禁区”**（Redlines）。比如，有些宗教仪式是绝对不能被 AI 模仿的，但 AI 不知道这一点。

2. 大家是怎么定义“文化”的？（发现一）

调查团队问大家：“你觉得什么是文化？”结果发现，不同地方的人，心里的“文化地图”长得不一样：

• 欧洲人：像**“博物馆馆长”**。他们觉得文化是看得见的东西，比如音乐、文学、历史建筑（埃菲尔铁塔、贝多芬）。
• 亚洲人：像**“家族史学家”**。他们更看重祖先、国家、传承和集体记忆。
• 非洲人：像**“生活方式的守护者”**。他们认为文化就是“整个人生方式”，包括态度、语言、怎么穿衣吃饭，是活生生的日常。

比喻：如果文化是一棵大树，欧洲人看重树上的果实（艺术品），亚洲人看重树根（祖先和传承），而非洲人看重整棵树的生长状态（生活方式）。

3. 什么是最不能碰的“高压线”？（核心发现）

这是调查最震撼的部分。大家给 AI 列出了一份**“绝对禁止清单”**：

• 全球共识：宗教和传统是全世界最敏感、最不能乱画的领域。无论是祈祷、神像还是神圣的仪式，大家都觉得 AI 没资格碰。
• 特殊的高压线：
  • 德国/美国：特别在意历史创伤（如大屠杀、奴隶制），AI 绝对不能乱编这些惨痛的历史。
  • 韩国：对健康和职业特别敏感，担心 AI 乱贴标签。
  • 尼日利亚/阿联酋：特别强调祈祷和纪念碑的神圣性。
• 一个惊人的发现：有些东西大家平时觉得不重要（比如“退伍军人身份”或“种姓”），但在 AI 面前，大家突然变得非常警惕，觉得绝对不能让 AI 去碰。这说明 AI 的“乱画”可能会伤害到平时被忽视的群体。

4. 大家怕 AI 怕到什么程度？（用户心态）

• 熟悉度：很多人（尤其是韩国、阿联酋）已经很会用 AI 了，但越用越担心。
• 最大的恐惧：不是 AI 画不出来，而是画错了（产生幻觉或歪曲事实）。
• 普遍心态：大家觉得，如果 AI 不懂装懂，把神圣的东西画得乱七八糟，那不如干脆别画。就像你请一个不懂行的厨师做祖传秘方，他做坏了，你宁愿不吃。

5. 给 AI 开发者的“急救药方”（建议）

既然知道了问题，作者给谷歌和其他 AI 公司开了四味药：

1. 多听听人话（Awareness）：

   • 别只坐在实验室里猜。开发 AI 时，要把**“问大家怎么看”**变成标准流程，就像盖房子前要先问邻居怕不怕吵。

2. 请当地人当裁判（Participation）：

   • 现在的 AI 裁判（RLHF）大多是西方人。应该让当地社区的人来当“考官”。
   • 比喻：如果要画印度的节日，不能只让纽约的程序员来打分，得请印度的长老和艺术家来审核。

3. 别搞“一刀切”（Multi-facetedness）：

   • AI 不能只有一套“全球通用规则”。
   • 比喻：就像**“文化配置文件”**。当你在日本，AI 要调成“尊重祖先模式”；当你在巴西，AI 要调成“狂欢节模式”。不同地方，敏感度不一样，AI 的“刹车”力度也要不一样。

4. 建立“分级红线”（Nuance）：

   • 把禁忌分成两级：
     • 一级禁区（绝对禁止）：神圣的祈祷、神像、特定的历史悲剧。AI 直接闭嘴，别画。
     • 二级禁区（高精度要求）：一般的文化符号。如果要画，必须像历史学家一样严谨，不能瞎编。

总结

这篇论文告诉我们：AI 不能只是一个冷冰冰的“画图机器”，它得学会“入乡随俗”。

文化不是简单的“国家”标签，而是由宗教、传统、祖先记忆和生活方式交织成的复杂网络。如果 AI 想真正服务全球人类，它必须学会尊重那些“不可触碰”的神圣领域，并且要懂得不同地方的人有不同的“雷区”。

只有当 AI 学会了这些“文化礼仪”，它才能真正成为全人类的朋友，而不是一个到处乱画、惹人生气的“笨拙游客”。

技术摘要

这是一份关于论文《文化视角与生成式人工智能的期望：全球调查方法》（Cultural Perspectives and Expectations for Generative AI: A Global Survey Approach）的详细技术总结。

1. 研究背景与问题 (Problem)

生成式人工智能（GenAI）正迅速成为全球技术，广泛应用于广告、内容创作等领域。然而，现有的 GenAI 系统在文化表征和理解方面存在显著差距：

• 文化代表性缺失与偏见：现有研究指出，GenAI 的开发往往反映了“新殖民主义”的提取动态，即由全球北部的少数研究人员构建，并在缺乏文化能力的情况下全球部署。这导致模型基于以英语为主、缺乏文化细微差别的互联网数据集进行训练，从而产生刻板印象或抹杀非西方文化。
• 定义模糊与缺乏基准：“文化”是一个本质上具有争议的概念，学术界缺乏统一、可操作的定义来作为模型评估的基准。
• 敏感性问题：随着 GenAI 生成能力的提升，错误表征敏感文化符号、文物和价值观的风险日益增加。目前缺乏标准化的“文化能力”指标，且研究人员往往缺乏人类学或区域研究的背景。
• 核心问题：全球不同群体如何定义“文化”？哪些文化维度在 GenAI 语境下最为敏感？开发者应如何设定文化表征的“红线”（Redlines）？

2. 方法论 (Methodology)

为了填补实证数据的空白，研究团队在 2024 年 9 月至 2025 年 1 月期间，对全球 13 个国家进行了大规模横断面调查。

• 样本规模与分布：
  • 总样本量：5,629 名受访者。
  • 覆盖国家：巴西、喀麦隆、法国、德国、印度、印度尼西亚、意大利、日本、墨西哥、尼日利亚、韩国、阿联酋、美国。
  • 人口统计：按性别（约 50% 女性，50% 男性）和年龄分层，确保代表性。
• 调查设计：
  • 混合方法：结合了**主位（Emic）视角（开放式问题，让受访者用自己的语言描述文化）和客位（Etic）**视角（标准化封闭式问题，用于跨文化比较）。
  • 理论框架：基于联合国教科文组织（UNESCO）的文化遗产框架（包括有形和无形文化遗产）。
  • 核心调查维度：
    1. 文化定义：受访者对“文化”一词的理解。
    2. 社会身份重要性：从 19 种社会身份（如宗教、种族、国籍、职业等）中选出最重要的三项。
    3. GenAI 熟悉度：使用李克特量表评估用户对 GenAI 的熟悉程度。
    4. 文化红线（Cultural Redlines）：询问是否有文化方面是绝不应该在 GenAI 中表征的。
    5. 敏感性排序：对 UNESCO 分类的文化类别和社会身份进行敏感性排序。
• 数据分析：
  • 定量分析：使用 Python (Pandas, Numpy, Seaborn) 进行加权统计，以反映各国人口特征。
  • 定性分析：对开放式回答进行归纳主题分析（Inductive thematic analysis），翻译并审查非英语回答，以识别跨文化模式。

3. 关键贡献 (Key Contributions)

• 实证基准的建立：提供了全球范围内关于文化定义及其在 GenAI 中表征期望的首批大规模实证数据。
• 重新定义“文化”的维度：挑战了仅以地理（国家/地区）划分文化的传统做法，提出宗教与传统是比地理位置更核心的文化锚点。
• 识别“文化红线”：明确了全球共识中哪些文化领域（如神圣仪式、特定历史创伤）应被禁止或极度谨慎地由 AI 生成。
• 提出开发框架：基于调查结果，提出了一套包含四个支柱（意识、参与、多面性、细微差别）的 GenAI 文化开发方法论。

4. 主要结果 (Key Results)

4.1 对文化的理解与身份认同

• 文化定义的差异：
  • 欧洲：倾向于强调有形文物（音乐、文学、历史建筑）。
  • 亚洲：侧重于集体遗产（祖先、国家、民族）。
  • 撒哈拉以南非洲：定义为“态度集合”和“生活方式的总和”。
• 核心身份认同：全球共识显示，**宗教与传统（Religion or Tradition）**是文化身份的首要锚点（48% 的受访者将其列为前三），在所有国家均排名前三。其次是国籍和种族/部落。
• 低重要性但高敏感性：某些身份（如种姓、军事/退伍军人身份）在整体重要性排名中不高，但在 GenAI 语境下被视为极度敏感（即“红线”）。例如，种姓制度在印度和阿联酋被特别提及为敏感点。

4.2 GenAI 熟悉度与感知风险

• 熟悉度：全球 68% 的受访者对 GenAI 有一定熟悉度，韩国和阿联酋最高，法国和喀麦隆最低。
• 主要威胁：无论熟悉度如何，**“信息不准确”**被视为对文化表征的最大威胁。
• 情感缺失：定性反馈表明，用户认为 GenAI 缺乏人类的情感和创造力，无法真实地代表艺术表达和神圣仪式。

4.3 文化红线（Cultural Redlines）

• 全球共识：超过 20%（多数国家超过 30%）的受访者认为某些文化方面绝不应该由 GenAI 表征。
• 具体红线内容：
  • 宗教与传统：神圣物品、符号、仪式、经文（如祈祷、清真寺、寺庙）。
  • 历史创伤：特定国家提及的奴隶制（美国）、大屠杀（德国）、殖民历史等。
  • 人类尊严：德国受访者特别指出，由于 AI 生成虚假图像的风险，不应描绘任何人物。
  • 去语境化的商业利用：如巴西受访者反对将桑巴或狂欢节商业化且脱离语境。

4.4 区域差异

• 韩国：对健康状况、居住地和职业身份表现出独特的敏感性。
• 阿联酋：宗教与传统在重要性和敏感性上均占主导地位，社会经济地位也较为敏感。
• 欧洲/巴西：更关注音乐、艺术和个人隐私。

5. 意义与建议 (Significance & Recommendations)

该研究对 GenAI 的开发和部署具有深远的指导意义，提出了从“一刀切”的安全过滤器转向分层敏感性框架的建议：

5.1 开发流程改革

• 意识（Awareness）：将调查、访谈纳入开发周期，作为模型训练和微调前的必要步骤，而非事后补救。
• 参与（Participation）：
  • 基于维度的评判模型：在 RLHF（人类反馈强化学习）中引入特定文化背景的评判员（如宗教领袖）。
  • 社区主导规范：直接让拥有文化所有权的社区参与定义“神圣”或“敏感”的边界。
  • 协作审计：发布后与社区合作进行算法审计。

5.2 技术架构建议

• 多面性（Multi-facetedness）：
  • 动态配置：在推理阶段使用区域特定的“文化配置文件”，根据用户位置动态调整拒绝生成的概率（基于敏感性热力图）。
  • 情境适应：在宗教敏感地区降低创造性变异的“温度”，在艺术表达优先地区则适当放宽。
• 细微差别（Nuance）与分层框架：
  • Tier 1（禁止红线）：绝对禁止生成神圣仪式、特定祈祷或神祇形象。
  • Tier 2（高保真表征）：对于宗教文物等，允许生成但必须保证极高的历史和神学准确性（例如结合检索增强生成 RAG 和权威来源），防止刻板印象。

总结

该论文通过全球实证调查，揭示了 GenAI 在文化表征上的复杂性和敏感性。它证明了宗教与传统是全球通用的核心文化维度，并强调了不同地区对“红线”定义的差异。研究呼吁开发者超越简单的地理划分，采用参与式、分层且动态的技术框架，以避免文化误表征，确保 GenAI 在全球范围内的公平性和安全性。