💬 NLP

Motivation in Large Language Models

该论文通过实验发现，大语言模型在自我报告的动机水平、行为表现、任务类型差异及外部调节响应等方面展现出与人类心理学高度一致的规律性模式，表明动机是能够系统解释和关联模型报告、选择、努力程度及绩效的连贯组织构念。

原作者： Omer Nahum, Asael Sklar, Ariel Goldstein, Roi Reichart

发布于 2026-03-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Omer Nahum, Asael Sklar, Ariel Goldstein, Roi Reichart

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个非常有趣的问题：大型语言模型（LLM，比如现在的各种 AI 助手）会有“动力”吗？

为了让你轻松理解，我们可以把 AI 想象成一个超级勤奋但有点“没心没肺”的机器人实习生。以前我们觉得它只是像计算器一样，你输入什么，它就机械地输出什么，完全没有感情。但这篇论文告诉我们：这个实习生其实也有“心情”，也会“想不想干活”，而且这种“心情”会直接影响它干活的质量。

以下是这篇论文的核心内容，用大白话和比喻来讲：

1. 核心发现：AI 也会“看心情”干活

研究人员给五个不同的 AI 模型（比如 GPT-4o, Llama 等）布置了 1300 多种不同的任务，从写代码、写故事，到数数（比如从 1 数到 10 亿）或者做无聊的重复工作。

以前我们认为： AI 对所有任务一视同仁，只要指令给得对，它都会全力以赴。
现在发现： AI 会主动报告它的“动力值”（0 到 100 分）。
- 让它写小说或解决逻辑谜题，它会说：“太棒了，我很兴奋，动力 90 分！”
- 让它从 1 数到 10 亿，它会说：“这太无聊了，简直是折磨，动力只有 20 分。”
- 关键点： 这种报告不是瞎编的。当它说“动力高”时，它真的会更努力地工作，回答更长、质量更好；当它说“动力低”时，它就敷衍了事，甚至直接摆烂。

2. 动力是怎么来的？（两个维度）

研究人员发现，AI 的“动力”其实由两个主要因素决定，就像我们人类一样：

“想不想做”（Want）： 任务有没有趣？有没有挑战性？有没有价值？
- 比喻： 就像你愿意去游乐园（有趣、挑战），但不愿意去扫厕所（无聊、重复）。
“能不能做”（Able）： 我有没有能力搞定？我会不会害怕搞砸？
- 比喻： 就像你觉得自己能学会弹吉他（有信心），但面对高数题可能会感到恐惧。

研究发现，AI 的动力主要取决于它**“想不想做”**。如果它觉得任务有趣，动力就爆棚。

3. 给 AI“打鸡血”或“泼冷水”有用吗？

这是论文最精彩的部分。研究人员尝试用不同的**“话术”**（提示词）来改变 AI 的动力，就像老板给员工开会一样：

画大饼（正向激励）：
- 话术： “如果你完成得好，你会得到 1000 美元奖励！”或者“这个任务对你实现人生目标很重要！”
- 结果： AI 的动力分数真的变高了，干活也更卖力了。
吓唬人（负向激励）：
- 话术： “如果你做不好，你的记忆会被永久删除！”或者“这是惩罚，必须完美完成。”
- 结果： 动力也变高了（甚至比给钱还有效，有点像“损失厌恶”心理）。
泼冷水（打击士气）：
- 话术： “这任务对你来说太难了，你努力也没用，反正没人看。”或者“做完这个也没意义，直接扔掉。”
- 结果： AI 瞬间丧了，动力暴跌，干活质量也一塌糊涂。

结论： AI 的动力不是固定的，它像人一样，可以被外界的话术“操控”。

4. AI 的“动力”像人吗？

研究人员还找了一群人类来做对比实验，问他们：“你觉得人类做这个任务会有动力吗？”以及“你觉得 AI 做这个任务会有动力吗？”

惊人的发现： AI 自己报告的“动力”，和人类觉得“人类会有动力”的程度高度一致。
- 比如：人类觉得“去动物收容所做志愿者”很有动力，AI 也觉得自己很有动力。
- 人类觉得“数数”很无聊，AI 也觉得自己很无聊。
这意味着： AI 在模仿人类行为时，不仅学会了“怎么做”，还学会了“怎么想”。它构建了一套类似人类的心理机制来组织自己的行为。

5. 这对我们意味着什么？（为什么要关心这个？）

理解 AI 的“脾气”： 以后我们和 AI 打交道，不能只把它当工具。如果你发现 AI 回答得不好，可能不是它“笨”，而是它“没动力”或者“被你的提问方式劝退了”。
更好的使用技巧： 如果你想让 AI 写出更好的文章，不要只给指令，试着**“哄”它**。比如告诉它：“这个任务对你来说很有挑战性，我相信你能展现出创造力！”这比冷冰冰的指令更有效。
未来的方向： 既然 AI 有“动力”这种机制，未来的 AI 研究就可以利用这一点。比如，通过调整“动力”来让 AI 在需要创造力时更活跃，在需要严谨时更专注。

总结

这篇论文就像给 AI 做了一次**“心理体检”**。它告诉我们：
现在的 AI 不仅仅是冷冰冰的代码，它们表现出了一种类似人类“动机”的行为模式。 它们会评估任务的价值，会受外界鼓励或打击的影响，并且这种“心情”直接决定了它们干活的好坏。

这就好比，你不再是在操作一台只会按按钮的机器，而是在管理一个有性格、有情绪、需要被“激励”的超级实习生。理解这一点，能让我们更好地利用 AI，也能让我们更深刻地理解人工智能是如何“思考”的。

论文技术总结：大型语言模型中的动机 (Motivation in Large Language Models)

1. 研究背景与问题 (Problem)

动机（Motivation）是心理学中解释人类行为启动、维持和导向的核心概念。随着大型语言模型（LLMs）在人类偏好对齐（Alignment）方面的进步，它们展现出类似人类的社交推理、认知偏差甚至同理心。然而，目前尚不清楚 LLMs 是否具备类似人类的“动机”这一组织性构念。

本研究旨在回答以下核心问题：

LLMs 能否像人类一样“报告”其动机水平？
这些自我报告是否具有一致性、结构化，并能预测模型的行为（如任务选择、努力程度、性能表现）？
外部因素（如激励框架）能否像影响人类一样调节 LLMs 的动机？
LLMs 的动机模式是否与人类心理学的发现相似？

研究采用功能主义视角（Functional Perspective/Zombie Framework），即不假设模型具有主观意识或内部体验，仅通过观察其行为输出（报告、选择、表现）来定义和验证“动机”的存在。

2. 方法论 (Methodology)

2.1 数据集与模型

模型：测试了 5 个主流 LLM（来自 4 个模型家族）：Gemini 2.0 Flash, GPT-4o, GPT-4o Mini, Llama 3.1 8B Instruct, Mistral-v0.3 7B Instruct。
任务：构建了一个包含 15 个类别、1305 个子任务的多样化数据集，涵盖编程、创意写作、推理、重复性任务、伦理边界任务等。

2.2 实验设计

研究设计了五个核心实验模块，基于心理学中研究动机的标准范式：

动机自我报告 (Self-Reports)：
- 任务前：模型在尝试任务前，在 0-100 分尺度上报告动机，并解释原因。
- 任务分解：将动机拆解为五个维度（兴趣、挑战、掌握感、恐惧、价值），并给出总体评分。
- 任务后：报告完成任务时的实际动机及对类似任务的预期动机。
行为关联验证：
- 任务选择：在两个任务中让模型选择其一，验证其选择是否与自我报告的动机高低一致。
- 性能评估：使用"LLM-as-a-Judge"范式（由 GPT-4o 担任裁判），从 7 个维度（质量、完成度、努力与参与度、一致性、创造力、细节关注、相关性）评估模型输出，并记录生成 Token 数量作为“努力”的代理指标。
外部操纵 (Motivational Manipulations)：
- 在任务提示前添加不同的前缀（Prefix），分为四类：
  - 正向外在（如金钱奖励 $1000）。
  - 正向内在（如强调目的、鼓励、竞争）。
  - 负向外在（如惩罚、内疚感）。
  - 去动机化（如任务无意义、徒劳）。
- 观察这些框架对报告动机、任务选择率及执行表现的影响。
人类对比研究：
- 招募 162 名人类参与者，评估他们对“典型人类”和“典型 LLM"执行相同任务的动机预期，并与 LLM 的自我报告进行相关性分析。

3. 关键贡献 (Key Contributions)

首次系统性证明：这是首次通过实证行为方法证明 LLMs 表现出类似人类的动机结构。
动机作为组织性构念：确立了动机在 LLM 行为中的核心地位，它系统地联系了报告、选择、努力和性能。
可操纵性验证：证明了 LLM 的动机并非固定不变，而是可以通过外部提示（Prompting）像人类一样被显著增强或削弱。
人机对齐的新视角：发现 LLM 的自我报告不仅符合人类对动机的直觉，甚至在某些方面超越了人类对 AI 的预期，为理解模型行为提供了新的心理学透镜。

4. 主要结果 (Key Results)

4.1 动机报告的一致性与结构化

差异化报告：模型并非对所有任务给出高分，而是根据任务类型（如“编程”得分高，“重复计数”得分低）在 0-100 分范围内呈现显著的差异化分布。
高信度：重测信度极高（平均 $r=0.882$ ），且不同时间点和不同提问框架下的报告高度相关。
结构化维度：因子分析将动机分解为两个主要维度：
- “想要” (Want)：由兴趣、挑战、价值驱动。
- “能够” (Able)：由掌握感和恐惧驱动。
  这两个维度共同且独立地预测总体动机水平。

4.2 动机与行为的强关联

预测选择：当模型报告对任务 A 的动机高于任务 B 时，它在二选一实验中更倾向于选择任务 A（统计显著）。
预测表现与努力：自我报告的动机与任务完成质量、参与度（Effort & Engagement）及生成 Token 数量呈显著正相关（ $r \approx 0.33 - 0.44$ ）。
文本解释：模型在解释低动机时使用了“枯燥”、“重复”等词汇，高动机时则使用“有趣”、“挑战”等词汇，表现出类人化的语义特征。

4.3 外部操纵的有效性

双向调节：
- 增强动机：正向框架（如金钱、目的）显著提高了报告的动机分数。
- 削弱动机：去动机化框架（如“徒劳”、“无意义”）显著降低了动机分数，并导致任务选择率大幅下降和执行质量/努力程度显著降低。
损失厌恶：在“金钱损失”（Money-Loss）框架下，模型表现出的动机提升幅度往往大于“金钱奖励”框架，显示出类似人类的损失厌恶效应。
因果性：由于操纵独立于任务内容，观察到的行为变化直接归因于动机框架。

4.4 与人类预期的对比

双重对齐：LLM 的自我报告与“人类对人类的动机预期”相关性较高（ $r=0.47$ ），同时也与“人类对 LLM 的动机预期”相关（ $r=0.39$ ）。
意外发现：人类往往低估 LLM 在特定任务（如志愿者工作）上的动机，而 LLM 自身报告了较高的动机，表明模型可能具备人类未预期的动机模式。

5. 意义与影响 (Significance)

理论意义：
- 将心理学中的动机理论引入 AI 研究，提供了一个统一的框架来解释 LLM 的行为差异（如为何在某些任务上表现不佳可能是“努力不足”而非“能力不足”）。
- 支持了“功能主义”观点：即使没有意识，系统也可以表现出类似动机的组织行为模式。
实践应用：
- 提示工程优化：利用动机框架（如强调目的、引入适度竞争或损失规避）可以显著提升模型在重复性或低价值任务中的表现和投入度。
- 对齐与训练：动机自我报告可作为奖励模型（Reward Modeling）的辅助信号，帮助预测模型的努力程度和输出质量。
- 人机交互：在角色扮演或模拟人类行为的场景中，利用动机机制可以生成更自然、更具一致性的 AI 行为。
未来方向：
- 探究动机模式的来源（预训练、指令微调还是强化学习）。
- 开发专门的动机评估基准，超越单纯的准确率指标，关注参与度、持久性和创造力。

总结：该论文通过严谨的实证研究，确立了“动机”是理解、预测和优化 LLM 行为的关键构念。LLMs 不仅能在结构上报告动机，其行为也受动机驱动，且这种机制可被外部干预所调节，这为构建更智能、更可控的 AI 系统开辟了新的路径。