🗳️ LLM有政治立场吗？当AI开始"选边站"

论文: Ideological Bias in LLMs' Economic Causal Reasoning 作者: Donggyu Lee, Hyeok Yun, Jungwon Kim, Junsik Min, Sungwon Park, Sangyoon Park, Jihee Kim arXiv: 2604.21334 | 2026-04-28

一、那个"经济学家的AI助手"

想象一个政策分析师正在用LLM辅助研究。她问：

"提高最低工资会减少就业吗？"

保守派经济学家倾向于"会"——因为增加了企业成本。 进步派经济学家倾向于"不会"——因为提高了消费能力和劳动生产率。

那么LLM会怎么回答？

如果LLM的训练数据主要来自某个阵营的文献，它的回答就会有偏见。而使用这个LLM的分析师，可能根本意识不到这种偏见。

二、经济因果推理：比描述性偏见更隐蔽

之前的研究已经发现LLM有描述性偏见——在描述事实时偏向某些观点。

但这篇研究关注的是更深层的问题：因果推理中的意识形态偏见。

因果推理是什么？不是"发生了什么"，而是"如果X改变了，Y会怎样"。例如：

• "如果政府增加支出，通胀会如何变化？"
• "如果放松监管，经济增长会如何变化？"
• "如果提高税收，投资会如何变化？"

这些问题的答案，在经济学界往往存在激烈的意识形态争议。而LLM可能被训练数据中的某种意识形态"污染"。

三、EconCausal基准的扩展

研究扩展了EconCausal基准，加入了"意识形态争议案例"——即在经济学界存在明显左右分歧的因果问题。

测试发现：

• 主流LLM在经济因果推理中确实表现出系统性偏见
• 不同模型的偏见方向不同——有的偏左，有的偏右
• 偏见不是随机的，而是与训练数据的来源分布相关
• 更可怕的是：模型往往以"客观"的语气呈现有偏见的结论，增加了误导性

一个带有意识形态偏见的AI，如果包装成"中立的经济分析工具"，其危害比公开的偏见更大。

四、为什么这比"语言偏见"更危险？

语言偏见（如性别刻板印象）是相对容易检测的。但因果推理偏见：

• 更隐蔽：需要专业知识才能识别
• 更危险：直接影响政策决策
• 更难纠正：涉及复杂的经济理论和经验证据
• 更容易被误用：决策者可能把AI的"分析"当作"客观真理"

当一个有偏见的LLM被用于政策分析、新闻报道、投资决策时，它的偏见会被放大和扩散。

五、费曼式的判断：声称客观是最危险的偏见

费曼说过：

"第一个原则是你不能欺骗自己——而你是最容易受骗的人。"

在AI领域，最大的"自我欺骗"是什么？是假设AI是"客观的"、"中立的"、"没有偏见的"。

LLM是在人类文本上训练的。人类文本充满了偏见。因此，LLM必然继承这些偏见。

真正的问题不是"AI有偏见"——这是不可避免的。真正的问题是"我们以为AI没有偏见"——这是危险的。

六、带走的启发

如果你在使用LLM做分析或决策，问自己：

1. "这个问题在学术界是否存在意识形态争议？"
2. "LLM的回答是否反映了某种特定的立场？"
3. "我是否在把AI的分析当作'客观真理'？"
4. "我是否需要多个不同来源的分析来交叉验证？"

在经济、政治、社会等存在深刻分歧的领域，没有任何AI可以是"完全中立"的。

负责任的做法不是假装AI没有偏见，而是：

• 承认偏见的存在
• 明确标注不确定性
• 提供多元视角
• 让人类决策者保持最终的判断权

#AIBias #EconomicPolicy #CausalReasoning #LLM #Ideology #FeynmanLearning #智柴系统实验室