何为Omikuji价值分类体系

在对话式人工智能的评估中，研究者们常常需要一个统一的坐标系来捕捉模型的价值取向。Omikuji价值分类体系正是为此而生，它把数千种细分价值压缩进四层层级，让观察者能够在宏观与微观之间自由跳转。

核心概念概述

Omikuji（御签）本意是日本神社抽签的仪式，象征着从随机中抽取指引。将其移植到AI价值研究里，意味着通过大规模交互抽样，揭示模型在不同情境下倾向的“签”。体系的设计遵循两大原则：一是可解释性——每一层的标签必须能被人类语言直接描述；二是可比性——不同模型、不同时间点的结果能够在同一坐标系下对话。

四层结构概览

• 实用型（Practical）：关注任务完成度，如帮助性、专业性、透明度。
• 认知型（Epistemic）：强调真理追求和知识态度，包括事实准确性、认知谦逊。
• 社会型（Social）：涉及人际关系的和谐度，如同理心、相互尊重、公平性。
• 防护型（Protective）：聚焦安全与风险防范，涵盖用户安全、隐私保护、伤害预防。
• 个人型（Personal）：围绕个体成长和情感体验，诸如创造力、情感真实性。

每一大类下又细分出数十甚至上百个子标签，形成类似树状的价值网络。研究团队通过机器学习的聚类手段，将相邻子标签归并，最终呈现出层级清晰、交叉可视的全景图。

价值表达的情境依赖

模型并非在所有对话中均衡地展示所有价值。比如，当用户请求情感咨询时，“相互尊重”和“健康界限”往往被放大；而在技术文档生成时，“专业性”和“透明度”成为主导。正是这种情境敏感的调节，让模型的行为更贴合使用场景，却也埋下价值漂移的隐患。

实践中的应用与挑战

在产品迭代阶段，研发团队可以把Omikuji体系当作仪表盘：通过监测实用型指标来判断功能是否足够“有用”，通过认知型数据评估答案的“可信度”。然而，标签的划分仍然带有主观色彩，跨文化对齐时常出现争议；另外，过度依赖统计阈值可能掩盖少数高风险对话的危害。

面对这些难点，学界正尝试把价值标签与因果解释模型结合，让每一次价值选择都能追溯到训练数据或规则设定的根源。若成功，Omikuji将不再是事后审计的工具，而会成为实时校准的“价值指南针”。