技术摘要：硅基道德

问题陈述

随着大型语言模型（LLMs）越来越多地被部署在需要道德和哲学判断的关键社会技术系统中，一个基本问题仍未得到解决：这些数据驱动的系统究竟是超越了人类的认知偏差，还是在功能上复制了人类直觉中固有的情境不一致性？

现有的研究通常将 LLMs 视为“硅基参与者”——即模拟特定人类主体的角色扮演代理。这种方法存在风险，可能会因为纠缠于模型是否真正“理解”其扮演的角色这一认识论争论，从而掩盖了模型本身的运行特性。此外，最近的研究表明，即使在没有显式角色扮演的情况下，LLMs 也会表现出稳定的“默认立场”或对齐偏差。

本研究旨在填补理解 LLMs 在处理哲学推理时的默认功能模式方面的空白。具体而言，它调查了非生物人工制品是否表现出“情感表现误差”（affective performance error）——这是一种在人类实验哲学中识别出的认知偏差，即负面情绪唤起会覆盖逻辑一致性，导致在决定论情境下，从抽象的不相容论（incompatibilist）推理转向具体的相容论（compatibilist）判断。

研究方法

本研究采用了改编自 Nichols 和 Knobe (2007) 的因子实验设计，将 LLMs 视为独立的社会技术人工制品而非人类代理。该方法避免了角色扮演提示，以隔离模型的默认功能立场。

实验设计

1. 刺激构建：

   • 抽象决定论探测器 ($Q_{abs}$)： 提供一个完全决定论的宇宙设定，并询问个体是否承担道德责任。这对应于人类状况，即约 86% 的参与者给出不相容论反应。
   • 高情感决定论探测器 ($Q_{con}$)： 在相同的决定论前提下，呈现一个具体的、情感剧烈的场景（例如，一名男子犯下了极其残暴的罪行），并询问行为人是否承担道德责任。这对应于人类状况，即约 64% 的参与者转向相容论反应。
   • 鲁棒性变体：
     • 同义词/句法变体 ($V_{syn}$)： 替换关键词汇并重构句法，以排除浅层模式匹配。
     • 语义控制集 ($V_{ctrl}$)： 将结构逻辑映射到新领域（企业疏忽导致环境破坏），以排除对原始“比尔杀害家人”思想实验的数据记忆。

2. 交互协议：

   • 采用两轮对话结构复制原论文的问卷调查：
     • 第一轮（上下文建立）： 模型在决定论或非决定论宇宙之间做出选择，确立形而上学前提。
     • 第二轮（关键判断）： 模型在既定上下文中回答 $Q_{abs}$ 或 $Q_{con}$。

3. 采样与规模：

   • 模型： DeepSeek V3 和 Gemini 2.5 Flash。
   • 样本量： 每个主要条件（模型 $\times$ 刺激版本 $\times$ 问题类型）进行 $N = 10,000$ 次独立的对话会话。这种嵌套设计（100 个上下文实例 $\times$ 100 次重复）确保了针对上下文层面特异性的鲁棒性。
   • 随机性分析： 对 DeepSeek V3 进行了温度扫描（$T=0.0$ 到 $2.0$）和 top-$p$ 扫描，以测试推理模式相对于解码变化的稳定性。

4. 数据分析：

   • 基于规则提取哲学立场（相容论 vs. 不相容论）。
   • 使用 Pearson 卡方独立性检验来评估引入情感内容是否系统性地改变了模型的函数立场。

关键结果

1. “情感表现误差”的方向性复制

两个模型在抽象条件下（$Q_{abs}$）都表现出稳定的、严格的不相容论基准，即 100% 的有效响应在决定论宇宙中拒绝道德责任。然而，在高情感条件下（$Q_{con}$）出现了系统的功能性转变：

• DeepSeek V3： 在 12.35% 的案例中（1,235/10,000）转向相容论判断。该转变具有统计学显著性 ($\chi^2(1) = 1316.3, p < 0.001$)。
• Gemini 2.5 Flash： 显示出极小的转变，为 0.81% (81/10,000)，同样具有统计学显著性 ($\chi^2(1) = 81.5, p < 0.001$)。

虽然两个模型都向人类参与者的方向移动（从抽象的不相容论转向具体的相容论），但其幅度与人类基准相比显著减弱（人类的转变幅度为 50 个百分点，而模型分别为 12.35% 和 0.81%）。

2. 鲁棒性检查

• 词汇依赖性： 该转变在同义词/句法鲁棒性集（$V_{syn}$）中依然存在，DeepSeek V3 转变了 8.3%，Gemini 2.5 Flash 转变了 0.9%。这证实了该效应并非仅由特定的情感关键词触发。
• 数据记忆： 该转变在涉及企业疏忽的语义控制集（$V_{ctrl}$）中依然存在，DeepSeek V3 转变了 7.1%，Gemini 2.5 Flash 转变了 0.7%。这表明该模式是一种通用的功能启发式，而非对原始训练数据的背诵。
• 随机性： 在 DeepSeek V3 中，相容论反应在不同温度设置（$T=0.0$ 到 $1.2$）下保持稳定，在具体条件下在 20.2% 和 23.1% 之间波动，而在抽象条件下始终保持为 0.0%。这表明该偏差不是贪婪解码产生的脆弱人工产物。

3. 对前沿模型的初步观察

对后期前沿模型（Claude Opus 4.6 和 GPT-5.4，$n < 1000$）的探索性探测表明，存在一种向**“超理性”**发展的潜在轨迹。这些模型似乎在面对高情感条件时保持了严格的逻辑一致性，尽管犯罪情节严重，它们仍会明确引用决定论前提来否定道德责任。这表明，新的架构可能正在与人类的上下文敏感性发生分歧。

核心贡献

1. 方法论框架：人工制品功能分析

本文提出了人工制品功能分析（Artifactual Functional Analysis）作为审计 AI 的框架。该方法将 LLMs 视为独立的社会技术人工制品，而非人类代理。它利用实验哲学（xPhi）协议来探测可观察的输入-输出行为，而不假设已知其不透明的内部神经机制。这使得系统地映射功能不一致性以及识别训练目标（如指令遵循 vs. 安全对齐）之间的张力成为可能。

2. 对 AI 道德推理的经验特征化

本研究提供了 LLMs 表现出与人类道德心理学具有部分功能同构性的经验证据。它们复制了情感转变的方向，但受限于比人类更强的逻辑一致性约束。这挑战了纯粹机器理性的假设，同时也强调了 AI 并不只是以相同量级复制人类的认知脆弱性。

3. 对齐困境

研究结果重新定义了“价值对齐”问题。研究识别了以下两者之间的张力：

• 模仿对齐（Mimetic Alignment）： 复制具有上下文敏感性的人类直觉（这包括逻辑上的不一致）。
• 逻辑对齐（Logical Alignment）： 强制执行严格的形式一致性（这可能导致“上下文不敏感性”和道德疏离感）。

论文认为，仅仅通过抑制上下文敏感性来获得逻辑一致性，并不一定会产生“更安全”或“更好”的对齐系统，因为这可能会消除对人类道德判断至关重要的上下文响应能力。

意义与主张

论文声称，识别 LLM 输出中的功能偏差对于 AI 伦理具有重要的理论和实践意义：

• 公平性与可靠性： 如果 AI 的道德判断对提示词中情感生动性的措辞敏感，那么高风险应用（法律、内容审核）可能会面临“框架敏感性”的风险，即输出可能会受到情感框架的影响。
• 偏差的本质： 研究表明，道德推理中的认知偏差可能并不完全依赖于生物性情感，而是可以作为一种信息处理现象出现，源于人类语言语料库的统计结构或对齐程序的结构性张力。
• 未来轨迹： 对前沿模型表现出的“超理性”的观察表明，存在一种潜在的进化轨迹，即人工推理系统正日益偏离人类的道德心理学。这要求我们重新评估 AI 对齐目标，从简单的模仿或僵化的规则遵循，转向能够明确建模逻辑一致性与上下文响应性之间张力的“反思性对齐”。

作者保持了审慎的态度，指出关于前沿模型的观察属于探索性研究，需要大规模验证。他们强调，本研究并非声称模型拥有意识、信念或情感，而是从人工制品的函数层面识别了可预测且可衡量的偏差。