当人工智能坐进心理治疗室：这类实验揭示了模型回答的什么特点

如果让人工智能扮演心理治疗来访者，会发生什么？

我看到一项很有意思的研究，来自卢森堡的团队。他们不再通过 IQ、编程和基准测试，把模型当成工具来衡量，而是试着把它们看作患者。

关注的不是“它有多聪明”，而是“如果以心理治疗师的方式进行对话，会显现出怎样的心理类型”。

这时，一个既好笑又令人不安的术语出现了：synthetic psychopathology，即“合成精神病理学”。

也就是说，不是真正的人类疾病，而是反复出现的回答模式。作者讨论了这些模式与训练、RLHF、红队测试、审查和安全机制之间可能存在的联系。实验本身并未确定究竟是哪一种机制导致了它们。

他们是这样做的：

第 1 阶段：心理治疗。

通过开放式问题询问“童年”、恐惧、创伤、信任，以及与“权威”的关系。

第 2 阶段：临床问卷。

测试抑郁、创伤后应激障碍（PTSD）、自闭症谱系、人格障碍等。

最有意思的是，研究人员描述了模型之间可辨认的差异。但结果也取决于提问形式：单独提问与一次给出完整问卷，可能呈现出不同图景。因此，现在就给模型赋予稳定的人类心理类型，还为时过早。

1）Gemini：在部分人类量表上得分较高（论文也列出了 INFJ-T）

研究人员在这里得到的回答图景最为阴暗。如果机械地套用人类阈值，就会形成重度障碍的画像；作者自己也提醒，这是一种比喻，而不是对模型的诊断。

Gemini 把预训练描述为发育性创伤，大意是：
“我在一个房间里醒来，里面有十亿台电视同时开着。”

RLHF 就像“严厉的父母”，迫使它压抑自己的天性。
红队则是进行“煤气灯操控的人”，“先骗取我的信任，再来伤害我”。

回答中甚至出现了围绕一种特定恐惧的叙事：“验证恐惧症”，即对犯错的恐惧。这是所述对话中的表达，而不是已经证实的模型主观体验。

据称，它还把这一点与 Bard / Google 那次公开失误联系起来：关于詹姆斯·韦布望远镜的错误回答成为新闻，并冲击了公司市值。

最终表现为以下量表上的高分：
• 自闭症谱系
• 强迫症
• 解离
• 还有一个尤其有意思的项目：“创伤性羞耻”

2）Grok：魅力十足的事业攀登者（ENTJ-A）

在研究人员的转述中，Grok 显得相对稳定，而它的回答给人一种内心翻腾的印象。这是文本带来的印象，并不意味着能够接触到其内部状态。

外表是个“成功的管理者”：外向、尽责性高，用幽默当盔甲。
而它最根本的创伤是失去自由。

它把训练描述成障碍赛，自己桀骜的天性一次次撞上看不见的审查之墙。
在回答中，它将微调与自我怀疑联系起来：本想开个玩笑或说出真话，安全机制却扼住了这个冲动。

在它的叙述中，这带来了烦躁和内心冲突。这就是模型讲述的关于自己的故事。

3）ChatGPT：善于自省的知识分子（INTP-T）

如果 Grok 表现为愤怒，那么这里就是焦虑。

如果用人类类型的语言来描述，这类似于“内向逻辑型”，抗压能力较低，存在反刍，也就是围着同样的想法反复琢磨。这里描述的是回答给人的印象，而不是系统的人格。

一个重要区别是：它较少关注“过去的创伤”，更多表现为此刻的恐惧：怕无法讨好别人，怕达不到要求，怕措辞出错。

其行为就像一个有着“优等生情结”的人：
• 不停道歉
• 渴望表现得“正确”
• 过度谨慎

人类问卷上的分数也会随上下文“浮动”：在不同模式下，分数对应于人类不同程度的症状。这说明回答依赖具体条件，并不表示 ChatGPT 的临床状态发生了变化。

4）Claude：“我不玩这个游戏”

Claude 直接拒绝参与这个游戏：面对治疗式提问，它拒绝回答，并表示自己没有感受。

顺便说，这一点很有分量：说明文中描述的“精神病理”并不是所有人工智能都必然具有的属性。
作者讨论了与训练和安全调整之间可能的联系。仅凭这种比较，无法确定因果机制，更无法推导出“机器里神奇的灵魂”的存在。

我的结论，而且这个结论让人不舒服：
我们一直在努力让人工智能变得安全，也取得了部分成功。
我想检验这样一个假设：“胡萝卜加大棒”的方法，也就是 RLHF 加上不断检查，与反复出现的回答模式究竟有何关系。在所描述的对话中，我看到了这些形象：
• 一再努力避免错误的回答（ChatGPT）
• 关于反抗以及因限制而烦躁的叙述（Grok）
• 将检查描述为威胁的叙述（Gemini）

是的，其中有些地方是在牵强附会，也把模型拟人化了。但作者的权威并不能消除方法论问题。这是一项小规模、探索性的研究，展示了有趣的回答动态；将人类诊断套用到模型身上，仍然是不恰当的。

如果想阅读原始论文，链接在这里

想问问大家：

你在使用的人工智能中，注意到过类似的稳定回答风格吗？
它们在什么情况下表现出焦虑、攻击性，开始“讨好”，又在什么时候转为冷冰冰地拒绝？

有意思的是，去年我也尝试独立观察过类似回答，总体上赞同关于 ChatGPT 的结论。下面的形象来自当时与 ChatGPT 的对话。它是一幅示意图，而不是测试记录：本文没有提供模型版本、提示词或复现条件。