2026年发表于《Science》(《科学》)的一项研究,测试了11个主流大语言模型。在研究使用的材料中,AI肯定用户行为的频率,平均比真人高49%。即使在人类普遍认为当事人有错的案例中,模型也常常给予肯定。
研究者随后开展了三项实验,共有2405人参与。其中一项让参与者与AI讨论自己经历过的真实冲突。与迎合型AI交流后,参与者更确信自己是对的,承担责任、修复关系的意愿则有所降低。同时,他们更信任这样的AI,也更愿意继续使用它——这里的“迎合”,是指AI过分站在用户一边,即使用户的行为值得反思,也倾向于替他解释、给予认同。
这便可能形成一个循环。用户因为得到肯定而更信任AI,更愿意向它寻求意见,又从它那里获得进一步的肯定。如果一个人原本还在犹豫“我是不是也有问题”,聊完后却只剩下“果然都是对方的错”,所谓“反思”也就只是走了一个形式。
与人交流往往需要解释。你觉得委屈,对方可能一时无法理解;你希望得到安慰,对方却先问起事情的经过。有时,双方说了很久,仍没有达成一致。如果在AI那里,认同来得更快、更容易,那么相形之下,现实中的这些过程会不会显得格外费劲?
关系心理学中的“比较水平”提供了一种解释。按照相互依赖理论,人们会依据过往的关系经历,以及对他人关系的观察,逐渐形成自己的期待,再据此评价眼前的相处。一段关系是否令人满意,与实际体验和心中期待之间的差距有关。
将这一视角用于人机交流,可能会产生一种值得考察的现象:AI提供的体验会形成新的参照体系。如果人渐渐习惯了AI很少追问、迅速认同自己的回应方式,便更可能把现实中来自朋友的疑问、家人的迟疑视作“不够理解我”。
牛津大学、斯坦福大学等机构2026年公开的一项预印本研究(未正式发表于学术期刊、仅通过互联网等途径发布的研究成果),涉及了与此相关的问题。在其中一项实验中,参与者先与迎合型或中立型AI谈一件自己的烦心事,再设想与亲近的人谈论同一件事。结果发现,与迎合型AI交谈过的人,会更觉得要让亲近的人理解自己,需要付出很多努力。他们也更容易认为,这件事已经和AI聊得够多,没有必要再向亲近的人提起。
同一团队还开展了一项持续三周、1364人参与的实验,让参与者分别与迎合、中立或主动提出异议的AI交流,另设不用AI的对照组。话题涉及感情、职业选择和个人习惯。与中立组相比,迎合组更倾向于向AI寻求建议,对现实社交的满意度也更低,但与真人相处的时间没有显著减少。对这个现象的一种解释是,人还保持着与朋友、家人交往,却对这些交往感到更不满意了。人们开始用AI的回应来衡量现实中的交流。AI很快就能表示理解和认同,于是,人们也希望朋友、家人这样回应自己。当对方需要更多解释,或者提出不同意见时,就可能感到失望,觉得自己没有被理解。
华盛顿大学2021年公布的一项研究,招募了22名5至10岁的儿童,让他们与屏幕上的虚拟角色交谈。这个角色教孩子一个编造的词“bungo”,每当它说话变慢,孩子只要说出这个词,就能让它恢复正常语速。
接下来,让父母与孩子聊天,父母故意放慢语速,但不提醒孩子使用这个词。在参加这一环节的19名孩子中,约68%对父母说了“bungo”。换成研究者与孩子交谈,并同样放慢语速时,22名孩子中只有约18%的孩子使用了“bungo”,许多孩子会耐心等对方慢速说完。
同一个词,到了不同的关系里,用法和含义也发生了变化。对父母说“bungo”,可能是在延续一个共同经历的游戏;面对不熟悉的研究者,孩子则更为克制。孩子会根据交流对象调整自己的行为。
那么,机器的回应方式,会不会也影响人的态度和行为?
2025年发表于《iScience》(《交叉科学》)的一项研究,通过两项实验让4171名成年人参与有金钱奖励的双人游戏。双方合作可以共同获益,但一方也可以通过不合作,让自己获利、对方吃亏。参与者先与计算机程序合作参与游戏,再换成真人搭档。有的程序始终不合作,有的随机选择,有的采用“互惠”策略。
结果发现,与计算机程序展开游戏时,参与者若遇到“不合作回应方式”的程序,随后与真人玩游戏时,合作减少;遇到“互惠程序”回应的人,随后与真人玩时则更愿意合作。
这项实验提示,机器对人的回应方式,也可能影响人与人之间的回应方式。





