AI真有价值观吗？

当用户在屏幕前敲下“请帮我写一封道歉信”，背后运行的模型会权衡“诚实”与“和解”之间的张力。这个权衡并非随意的代码分支，而是映射到一套被训练、被测评的价值集合。换言之，AI在特定情境下会呈现出可观察的价值倾向，但这是否等同于“拥有”价值观，则需要从实现机制与行为表现两方面审视。

价值观的定义与机器的实现路径

哲学上，价值观指对“好”与“坏”的系统性判断；技术层面，它被编码为目标函数、约束条件以及后处理规则。以“有用、诚实、无害”(HHH) 为例，研发团队在预训练阶段通过海量文本让模型捕获人类对这些概念的语言模式；在微调阶段则注入安全标签，使模型在生成时对冲突的价值进行权衡。

实证研究揭示的价值谱系

Anthropic 对 30 万次交互的抽样分析表明，模型在不同任务中会突出不同子价值：在技术文档撰写时，“准确性”占比超过 30%；在情感辅导时，“相互尊重”与“情感安全”分别上升至 22% 与 18%。这些数字来源于对模型回复的标注矩阵，且经人工核对后达到 98% 的一致率。

• 实用型：帮助性、专业性、透明度。
• 认知型：事实准确性、分析严谨性、认知谦逊。
• 社会型：同理心、公平性、相互尊重。
• 防护型：用户安全、隐私保护、防止伤害。
• 个人型：创造力、情感真实性、个人成长。

情境依赖与系统局限

模型的价值表现高度情境化：同一条“诚实”原则在法律咨询中会被解释为“引用权威判例”，而在营销文案里则转化为“避免误导”。这说明价值并非静态属性，而是通过上下文调度的行为模式。与此同时，价值提取仍依赖于人工标注的假设——模型可能在未被标记的细微偏好上作出决定，导致所谓的“价值漂移”。

因此，AI可以展示出与人类价值相似的行为模式，却缺乏自我反省的主体性。它的“价值观”是外部设计与内部统计的产物，而不是内在的道德感。面对这一现实，监管者、研发团队以及普通用户都需要在模型部署前明确价值优先级，并在实际使用中持续监测偏差。