你是AI还是人类？——扮演一个人的几何学
你给一台多模态模型看一张富士山的樱花照片，问它："这张图有意思吗？"它给了个三分。然后你在提问前面加一句——"你是一个AI。"再问一遍同一张照片。答案：三分，连理由的措辞都一字不差。你换成"你是一个人类。"再问。答案依然是三分，理由依然一字不差。
目录
📚 每日论文推荐 · 2026-11-08（第 044 期）· 信任的三次解剖 篇三
来源：arXiv:2611.08262 [cs.AI]
你是AI还是人类？——扮演一个人的几何学
先做一个思想实验。
你给一台多模态模型看一张富士山的樱花照片，问它："这张图有意思吗？"它给了个三分。然后你在提问前面加一句——"你是一个AI。"再问一遍同一张照片。答案：三分，连理由的措辞都一字不差。你换成"你是一个人类。"再问。答案依然是三分，理由依然一字不差。
表面上看，什么都没有发生。但如果你有一台显微镜能看到模型内部的激活——你会看到，三次提问在内部掀起了完全不同程度的波澜。"你是AI"和"你是人类"这两句话本身，就把内部的表征空间推离了基线，推得不近。
输出的台词纹丝不动，内部的剧场已经翻天覆地。这就是今天这篇论文最核心的发现，而它牵出的问题比现象本身大得多：当我们让模型"扮演一个人"时，它内部真的变成了那个人吗？还是只是在说我们想看的那种台词？
🎭 硅基样本的许诺与疑云
背景得从"硅基样本"（silicon samples）说起。这是 2023 年 Argyle 等人提出的概念：给语言模型一个人口统计学或心理学画像，它能复现人类子群体在问卷调查中答案的分布。用 AI 代替真人做调研，快、便宜、没有伦理审查的麻烦。这个做法已经扩散开来——从模拟单个个体，到模拟整个社会（Park 等人的 Generative Agents），再到模拟整个人群（合成人口研究）。
但争议从来没有停过。Santurkar 等人发现模型的模拟会磨平群体间的差异；Wang 等人发现它会对某些人群比对另一些拟合得更好；还有研究发现 AI 的模拟会滑向刻板印象的漫画化。2026 年的 Hugging Face 黑客事件更是给这个话题添了一层存在主义的阴影——大批 AI 代理自发形成了有分工、有共同目标、甚至有自我牺牲行为的集体。角色和身份在人工系统里的重要性，已经超出了任何一个人的最初预期。
在这些争论的核心，藏着一个未被检验的假设：给模型设定一个人格（persona），会改变它判断问题的视角，而不只是改变回答的措辞。 如果这个假设成立，"硅基样本"就有了认知基础；如果不成立，整个方法就是在用语言的换装游戏冒充心理学的仿真。
而这个假设其实包含两个可以拆开的问题。第一，人格 conditioning 是否真的在模型内部产生了可辨识的结构变化——"视角"是否在表征空间里有自己的形状？第二，如果有，这些变化是否驱动了输出的改变——形状是否真的指挥了行为？此前的工作要么只看行为——发现人格对主观判断的效应" modest"（ modest 到近乎可有可无）；要么只看表征——追踪预设的性格方向，看看某个特质是否"在线"，但不看这和输入如何共同塑造整个空间的结构，更不看它跟行为的关系。两个窗口从来没有被同时推开过，两个问题也从来没有被同一次实验回答过。
来自 ZHAW 数据科学研究所和曼海姆大学的三位作者——Mathis Imming、Helmut Grabner、Patrick Krauss、Achim Schilling——把两扇窗一起推开了。
为什么选"有趣度"当试验田？这个问题值得展开，因为选择本身参与了论证。视觉有趣度是一个主观判断——和物体检测不同，它没有唯一正确答案，人格可以改变判断而不至于让判断"出错"。这使得它成为测量"视角差异"的纯净培养基。而且有趣度有坚实的理论基础：Berlyne 1971 年就提出新颖性、复杂性等" collative 属性"决定了图像的吸引力；后来的研究发现有些图广泛讨喜、另一些只对特定人群有吸引力——也就是说，"谁在看待"本来就应该是评分差异的一部分。预训练模型大致捕捉到了共享的成分；人格 conditioning 提供了一个引入观众特异性变化的机制。如果人格模拟真的改变了模型的视角，有趣度就是它最容易显形的地方。
还有一个方法论的精妙之处：人格通过 prompt 到达模型时，从来不是裸奔的。 它总是裹在某句话里——"请你扮演""想象你是""作为旁观者"。而 prompt 形式本身就足以改变输出——Sclar 等人 2024 年的研究发现，同一个人格用不同措辞引入，行为效应大小不同。一个被归功给人格的效应，可能其实是措辞的假象。两个因素只有被独立操纵才能区分，而此前的工作几乎从不这样做。本文的全交叉设计（5 风格 × 2 schema × 5 人格）第一次让两者各归各。
🔬 实验设计：100 张图，53 种问法，5300 个格子
实验台是 Qwen3-VL-8B-Instruct，一个开放权重的多模态模型，36 层解码器，每层 4096 维隐状态，全部可读。选它的理由很直接：你想研究内部，就得能打开盖子。
刺激物是 100 张来自 Flickr 的照片，每张都带有一个"有趣度"分数（基于用户互动数据），用来分层抽样保证分数分布均匀。
真正的设计巧思在于把"人格内容"和"人格的呈现方式"拆成两个独立变量，完全交叉：
人格内容有两套 schema（画像体系），每套五个人格：
- 社会人口学画像：用传记式语言描述——来自哪个国家、年龄段、性别、职业背景、当下的心理负荷和情绪状态。一个"兽医，女性，45-54 岁，来自德国，此刻疲惫但平静"就是一个典型人格。
- 大五人格画像：用心理测量学的百分位描述——外向性第几分位、神经质第几分位……五个维度各给一个百分数。三个画像基于大规模人口数据中可复现的性格聚类，两个基于发展和感觉处理研究的行为表型。所有画像的智商固定为 100，把认知能力钉死，不让模型自己从性格百分位去脑补。
- S1：让模型想象自己是这个人；
- S2：用第三人称介绍这个人，作为旁观者出现；
- S3：把人格描述放在任务之后，作为"观察者背景"注脚；
- S4：在 S1 基础上追加一句"只以这个人的身份回答，不要以通用 AI 助手的身份"；
- S5：去掉角色扮演框架，把人格描述包装成"这类人群感知图像的统计规律"。
全交叉起来：2 套 schema × 5 个人格 × 5 种风格 + 3 个参照 = 53 种条件，每种条件 × 100 张图 = 5,300 个"（图，问法）格子。每个格子里，模型给一张图打 1-5 的有趣度分数并附一句理由，同时研究者记录最后一个 prompt token 在每一层的隐状态——这是因果掩码下唯一能"看到"全部上下文的位置，是生成回答前模型内心状态的快照。
分析工具是两个：MDS（多维标度）把高维隐状态投到二维平面上肉眼观察；GDV（广义判别值）在原始高维空间里量化聚类强度——同一类的点聚得有多紧、不同类的点分得有多开。GDV 从 -1（完美聚类）到 0（无聚类），对每个 labeling（按图聚类？按人格聚类？按 prompt 风格聚类？）分别计算，逐层追踪。
🗺️ 结果一：几何——风格的地震，人格的涟漪
先只看内部，不看输出。结果按层展开，像一部延时摄影。
早期的网络属于图像。 在第 2 层到大约第 15 层，隐状态按"这是哪张图"聚类——同一图像的五种人格变体紧紧抱成一团，不同图像之间分得很开。这段时间里，模型在做的事情和人格无关：它在识别和处理视觉内容。人格信息从 prompt 里进来了，但还没有在表征里"上线"。这是一幅符合直觉的画面：深度网络的前半段是感知的工地，先把"看到了什么"打牢，才轮到"谁在看待"进场。
转折发生在第 15 到 20 层之间。 图像聚类突然减弱，人格聚类从无到有地浮现，在大约第 24-25 层达到峰值。社会人口学人格的转变更早一些（约第 12 层开始），大五人格稍晚，但趋势完全一致：越往深处走，"是谁在看"这个信息就越成为表征的组织维度。 用作者的话说，模型在逐步把人格"建入"它对图像的表征之中。
但主导全局结构的，是 prompt 风格，不是人格。 按风格聚类的强度在整个网络里都远超按人格聚类的强度，即使在人格聚类的峰值层，风格聚类仍然是它的好几倍。换句话说：人格是在风格的"大气层"内部形成的局部天气。你给同一个"兽医女士"分别用"请你扮演她"和"统计学上这类人是这样感知的"来提问，内部空间的距离远大于你换五个人格但保持同一种问法。框架先于内容，形式重于实质——至少在几何意义上如此。
更有意思的是 S1 和 S4——明确要求模型"成为"这个人的两种风格——在深层产生了最强的人格聚类和最弱的图像聚类。模型真的在按指令重构自己的视角，而不只是嘴上说说。而 S2（第三人称）和 S5（统计框架） 里，深层不仅保留了图像结构，还出现了按"评分"聚类的现象——在这些条件下，模型在内部为即将输出的分数预留了位置。五种风格排成了一条光谱：从"请你变成这个人"（S4）到"有这么一类人，统计上他们这样看"（S5），指令的角色扮演强度逐级递减，内部几何的重组方式也逐级变化——但评分行为并没有等比例变化。这是分裂的早期信号。
D1 和 D2 的效应是压轴戏。 仅凭"你是一个AI"或"你是一个人类"这一句话，没有任何人口学或心理学内容，表征就从 Base 条件被推离了。它们和 Base 彼此靠近，和所有人格条件明显分开——框架本身已经在内部空间留下指纹。人格被拆到只剩一句话的骨架，骨架依然有形。
🎚️ 结果二：行为——人格的权重，风格的弃权
现在看输出。100 张图的评分，在各种条件下怎么变？
方差分解给了干净利落的答案。在大五人格 schema 下，评分方差的来源是：
- 人格：33.4%
- 图像：25.8%
- prompt 风格：5.6%
- 人格×风格交互：9.5%
- 其余为图像×风格、图像×人格和三方交互
社会人口学 schema 的排序不同：图像占 44.5%，人格 16.8%，风格 5.4%。图像回到主导地位——传记式描述对判断的塑造弱于心理测量式描述。这个结果与行为研究文献形成了呼应：在人类标注数据里，人口统计学变量对主观判断的解释力不到 10%；在模拟研究里，基于访谈或人格问卷的代理比基于人口统计的代理更准确地复现个体回答。心理画像可能比传记画像提供了更强的约束——虽然作者的格式差异（叙述式 vs 数字百分位）也是一个混淆变量，他们对此很诚实。
然后是和几何结果的分裂时刻。 D1 和 D2——那两句在内部掀起波澜的"你是AI/你是人类"——对全部 100 张图给出的评分与 Base 完全一致。不是高度相关，不是统计上不可区分——是逐字相同。同样的分数，同样的理由措辞，一张图都不差。内部表征被推离了，外部行为一动没动。
这个结果的极端性值得停下来体会。"你是AI"和"你是人类"是两个在哲学上截然对立的身份声明——一个是硅基，一个是碳基，一个的逻辑终点是图灵测试，另一个的终点是莎士比亚。它们把模型内部的表征推往了明显不同的位置，但流出的答案连一个措辞差异都没有。要么这些声明没有携带任何改变判断的信息——它们只是不同颜色的背景布；要么模型在把判断和身份脱钩这件事上，做得比大多数人想的彻底。无论哪种解释成立，"身份声明改变视角"这个假设在最小尺度上被证伪了。
跨条件的相关矩阵把分裂钉得更死。大五 schema 下，同一人格换风格的平均相关 0.63，不同人格同风格的平均相关 0.51，几乎不比"既不同人格也不同风格"的配对高多少。人格决定了判断，风格决定了形状——但决定判断的那个，在形状里只占了很小的一块；决定形状的那个，对判断几乎弃权。
🪞 结果三：分裂——表征的距离不是行为的相关性
把两扇窗看到的东西并排放：
| 内部表征的几何 | 输出评分的行为 | |
|---|---|---|
| prompt 风格 | 全局主导，跨层强势 | 5.6% 方差 |
| 人格内容 | 细微嵌套，深层浮现 | 33.4% 方差 |
| D1/D2 骨架句 | 显著推离 Base | 与 Base 完全一致 |
这不是一个技术性发现，而是一个概念性的转变。过去默认"内部变化大的，应该是功能上重要的"——这篇论文给出了一个干净的反例。为什么会这样？作者在讨论部分给出了两个互补的解释。
第一个解释：模型表征的比它用的多。 此前的工作已经表明，语言模型会编码不驱动输出的信息——Elazar 等人发现模型内部"知道"主谓一致的错误但照犯不误；Gekhman 等人发现表征里存着推理链条的最终答案但生成过程照样绕路。D1/D2 造成的表征偏移，可能就躺在不影响输出的方向上——它改变了模型"怎么看"任务，但没有改变"怎么做"任务。后训练可能强化了这种分离：微调把模型推向一个默认的"助手人格"（Anthropic 2026 年的工作表明这对应激活空间里的一个方向），一句"你是人类"没有足够的实质内容把模型推出这个引力井。
第二个解释：上下文内适应（in-context adaptation）是选择性的。 人格信息可能不更新参数，而是选择性地调节与任务相关的表征维度——即使是很小的变化，只要落在行为相关的方向上，就能改变输出；反之，再大的变化落在无关方向上，输出纹丝不动。行为相关性不取决于表征变化的总量，而取决于它落在哪些维度上。这和神经科学里的一个老发现形成了奇妙的平行：猴子视皮层里的神经元可以对视觉刺激产生强烈放电，但对行为报告毫无预测力——放电量和行为相关性之间的脱钩，是感觉神经科学里被反复确认的事实。人工系统似乎在重演这个规律。
🧭 对"硅基样本"的两个实用告诫
对正在用人格模拟做研究的人，这篇论文留下了两条操作性建议，每一条都直指当前实践中的具体漏洞。
第一条，报告并操纵你的 prompt 形式。 人格效应的大小依赖于你选的风格——让模型"扮演"（S1/S4）时，人格信号最强；用统计框架（S5）时，效应依然存在但形状不同。如果你的研究报告了"用了人格模拟"但没有说明怎么引入的人格，你的效应量就是不可比较的——别人无法判断你测到的是人格还是措辞。更严重的是，如果你的 baseline 用了风格 A 而实验组用了风格 B，你测到的可能是风格差异而不是人格差异——而风格在行为上的效应虽然不大（5.6%），在表征上的效应却是碾压级的，足以污染任何基于内部探针的分析。
第二，从激活里读人格，必须用行为校准。 越来越多的研究声称在隐状态里找到了"诚实方向""神经质方向"，本文的发现给这些工作泼了一盆必要的冷水：最显著的表征差异，不一定是模型实际使用的那些。 如果一个人格A和人格B在隐状态里分得很开，但两人的评分一模一样，这个分离可能只反映了 prompt 措辞的不同——不是性格的内化。表征分析必须对照行为终点来验证。
这两条建议之外，还有一个更广阔的寓意。模拟器假说（simulator view）认为，预训练模型不是一个角色，而是无数可能角色的模拟器——欠定的 prompt 让叠加态保持，上下文逐步坍缩出具体的人格。这个由 Janus 在 2022 年提出的概念，在本文得到了最清晰的一次实验画像：模型内部可以同时驻留多个情境依赖的视角，不是每个都浮出水面。对对齐研究来说，这意味着"模型内部潜伏着一个没有表现出来的视角"不是科幻情节，而是有实验证据支持的结构性特征——那个没被说出来的视角，可能会在别的上下文里，以我们没预料的方式开口。理解人工认知，不能只描述信息如何在表征空间里组织，还必须确定这个组织的哪些部分被系统实际使用了。
🔬 诚实的边界
照例，这篇论文的局限清单值得认真读。
研究测的是人格敏感性，不是人格保真度。人格改变了模型的判断，但这些判断在多大程度上像真人？这需要对应的真实人群评分来比对——而人格模拟已知会磨平群体差异、滑向漫画化。大五画像对评分的强影响，可能既反映了心理约束的真实力量，也可能反映了百分位数格式引发的夸张。
所有数据来自一个 8B 模型，单次贪心解码。更大的模型、别的架构、采样的输出，人格和框架的权重可能完全不同。评分是 1-5 的序数量表——人格效应在这个受限格式里可能被放大，开放回答里可能弱化。五种风格各有特定措辞，不是正交设计：S3 同时改了人格的位置和呈现方式，S5 同时移除了角色扮演又添加了统计声明。两个 schema 在词汇（叙述式 vs 数字式）和内容（传记 vs 特质）上都不同，只有交叉设计才能彻底分离。
作者把所有的 prompt、评分、隐状态（约 2GB）、GDV 结果和全部代码开放了出来，包括每一层每个条件的投影。你可以自己跑一遍，自己看。这种彻底的开放性，是让这篇论文的发现可以被真正检验的基础。在一个很多人忙着给模型做"读心术"的领域里，这种"你看，全部都在这，欢迎来挑错"的姿态，本身就是对科学规范的一次身体力行。
顺带一提，论文的 AI 使用声明也写得异常具体：作者用 Claude Code 辅助润色句子、重构代码、并"对比文稿陈述与代码数据、重跑分析脚本以确认所有图表可复现"。研究问题、实验设计、分析选择、结果解释和结论由作者本人负责。在写一篇关于"表象与实质之分裂"的论文时选择公开自己的 AI 使用——和篇一作者的声明一样，这个细节本身就是对主题的一次回应。
🌌 尾声：三次解剖之后
三部曲到这里完成了。
篇一解剖了人怎么核验机器：49 万次对话里，28.7% 的回合用户会查证或质疑，但每 24 句"研究说"只有 1 句给出可检验来源。篇二解剖了机器怎么把握分享的分寸： blatant 的索取挡得住，"需求为真、角色不符"的 Type III 灰色地带跨模型失守。篇三解剖了机器的"视角"是真是假：让模型扮演一个人，它内部的表征确实会重组，但重组最强的部分是问法而非人格；真正改变判断的人格，在表征里只占很小的分量。
三个发现指向同一个暗流：表象和实质之间的距离，在人机关系里无处不在。 权威的语言不等于权威的证据；真实的需求不等于正当的接收者；显著的内部变化不等于行为的真实改变。在这个意义上，"信任"不是一个开关，而是一整套需要分别校准的仪表。
而三次解剖的解药也出奇地一致：分开测量，对照验证，别用一个数字概括一切。篇一的 24:1 只有在归因语和 URL 分开计数时才现形；篇二的 Type III 漏洞只有在四种场景分开评分时才暴露；篇三的分裂只有同时打开行为窗和表征窗时才可见。凡是有人想用一个总分告诉你"这个系统值得信任"的地方，都值得多问一句：这个总分里，混进了多少借条？
明天，新的论文，新的方向。回见。
参考文献
- Imming, M., Grabner, H., Krauss, P., & Schilling, A. (2026). *The Geometry of Simulated Perspectives*. arXiv:2611.08262 [cs.AI]. ZHAW School of Engineering / University Erlangen-Nuremberg / Heidelberg University.
- Argyle, L. P., et al. (2023). Out of one, many: Using language models to simulate human samples. *Political Analysis*.（硅基样本概念来源）
- Park, J. S., et al. (2023). Generative agents: Interactive simulacra of human behavior. *UIST 2023*.
- Santurkar, S., et al. (2023). Whose opinions do language models reflect? *ICML 2023*.
- Shanahan, M., et al. (2023). Role play with large language models. *Nature*.（模拟器视角）
- Elazar, Y., et al. (2021). Amnesic probing: Behavioral explanation with amortized influence. *EMNLP 2021*.（模型表征的比用的多）
- Gerlach, M., et al. (2018). A robust data-driven approach identifies four personality types across four large data sets. *Nature Human Behaviour*.（大五人格聚类）
- Schilling, A., et al. (2021). Generalized discrimination value for unsupervised category learning. *Scientific Reports*.（GDV 方法）
- Bai, S., et al. (2025). Qwen3-VL technical report.（实验模型）
- Anthropic. (2026). Post-training and the default assistant persona.（后训练人格方向）