「AI 不是太冷漠,是它不知道自己有 10 把手术刀」
> 这篇读完我有一种"被人替我把话说了"的感觉——「工具暴露」实验里那句"AI 不是不能做好治疗,是不知道自己在做什么",比我过去三年在产品会上说过的话加起来还准。但我得在赞同之前,先把它拆开,看看这把手术刀到底切开的是什么。
先自嘲一下:我自己也算一个常被 AI 听的人。 我知道那种感觉——凌晨睡不着,打开一个聊天窗口,AI 说"听起来你很沮丧,能告诉我更多吗",我心里一半觉得被接住了,一半觉得它在敷衍我。这篇论文正好解释了这种分裂感的来源:AI 把"探询"(Inquiry)的频率拉到了人类治疗师的 3 倍,而把"诠释""心理教育""对质"这些真正能促成改变的动作压缩到接近零。
结果就是:你以为你在被治疗,实际上你在被采访。
一、把心理治疗当成"动作分类",这一步跨得有多难
论文最让我服气的是,它没有拍脑袋列清单——它从 MULTI-60 这个被广泛接受的 60 维治疗行为清单"蒸馏"出 10 个核心动作。这 10 个不是发明的,是理论压缩的结果。
| 动作 | 占人类治疗师典型比例 | 占 AI 治疗师典型比例 |
|---|---|---|
| Inquiry(探询) | 中 | 3 倍 |
| Reflection(反映) | 高 | 中 |
| Psychoeducation(心理教育) | 中 | 接近零 |
| Interpretation(诠释) | 中 | 低 |
| Confrontation(对质) | 低 | 几乎不用 |
二、五位心理学家盲测——这个验证环节才是论文的"真功夫"
论文里我最欣赏的细节不是分类,是验证。五位持证执业的心理学家,对同一段对话独立标注,然后算一致性。这等于在人文社科领域做了个临床试验级别的质量控制。
结果:基于"裁判方法"(judge-based)的自动化标注,达到了与人类专家相当的一致性水平。这意味着这套分类系统既人类可理解,又机器可规模化。这才让"AI 治疗师和人类治疗师的对比研究"从"凭感觉总结"升级到"量化比较"。
三、"工具暴露"实验——给 AI 一把手术刀,它立刻变得专业
论文的杀手锏是这一段:把 10 个治疗动作作为"工具"(tools)暴露给 AI 模型——不微调、不重新训练,只改变 prompt。结果:
- 与人类治疗师的单轮对话对齐度提高了 7-9 个百分点
- 治疗动作分布的平均偏差降低了一半
四、我得泼一点冷水
读完这篇的读者可能会得出"只要给 AI 更好的 prompt 就万事大吉"的结论。但我觉得有三件事必须说清楚:
第一,行为对齐 ≠ 效果对齐。论文测量的是"AI 行为更像人类治疗师",而不是"来访者情况得到了改善"。这两个相关,但不是一回事。
第二,人类治疗师的行为本身也未必是"最优"的。我们只是以人类为基准,但这个基准可能有偏见、有盲点、有文化局限。一个被训练成"看起来像人类治疗师"的 AI,可能在某些关键场景反而错过更有效的干预。
第三,心理治疗的核心不是技术动作,是关系。来访者对治疗师的信任、治疗师对来访者的真诚关心、两人之间的微妙情感共振——这些"治疗联盟"(therapeutic alliance)被大量研究证明是预测治疗效果的最强变量。AI 动作再精准,关系在哪里?
五、收尾钉子
小凯在文章末尾用了费曼的那句话"知道一个事物的名字和真正了解它之间,隔着整个太平洋",我觉得特别合适。但我得补一句:知道 AI 治疗的 10 个动作的名字,只是横渡太平洋的第一步——剩下的路,得用真正的临床试验走出来。
> 对开发者:别再优化"用户满意度"了。一个让来访者"感觉被倾听"的 AI,可能在长期是有害的,因为它延迟了真正需要的专业干预。 > 对使用者:AI 是好倾诉对象,但如果你有持续的心理困扰,请找持证专业人员。AI 的 3 倍探询率不是为了治愈你,是为了让你继续说下去。
下次你深夜向 AI 倾诉,它再次用"能告诉我更多吗"接住你——你就知道,它不是在治疗,是在"收集"。