近期，中关村Xᴬᴵ智汇讲坛荣幸邀请到芝加哥大学教授James Evans，围绕 “AI Diversity NOT Alignment for Sustained Innovation in Human-AI Evolution（持续创新的人机共进化：聚焦AI多样性而非对齐）” 进行主题分享，剖析了“多样性”与“价值对齐”之间的张力及其对推动未来持续创新的重要意义。他指出：AI未来的关键，不在于价值“对齐”，而在于差异“共生”。
多样性VS对齐：AI发展的关键抉择
“Alignment amplifies bias”
Evans教授指出，当前AI发展范式广泛强调“价值对齐”（alignment），试图让模型更符合人类主流价值观，减少风险。然而在实践中，这种对齐策略却常常带来“非预期后果”——例如模型在生成内容或做出判断时，可能偏向某种政治立场或社会意识形态，反而加剧认知偏差与社会分化。
以2024年美国大选为例，Evans教授团队发现，无论是中方还是西方训练的大模型，在强化学习与指令微调之后，都普遍展现出亲民主党的倾向，而这种偏移，并非来自底层语料，而是被“有帮助”“有礼貌”等评价指标所引导。这种现象说明：对齐策略本身，可能在潜移默化中扭曲模型认知，并放大原有偏见。
模型不仅仅是工具，AI本身就是“制度性系统”
“Models are institutional systems”
Evans教授强调，大型语言模型不仅是算法产品，更是文化与社会的“制度性系统”——它们嵌入了语言结构、社会关系与认知逻辑，会对社会行为与人类决策产生实质影响。他援引医疗报销系统中的AI偏见案例指出：算法使用“历史医疗费用”作为健康状况代理变量，结果造成了对少数族裔的系统性歧视。这说明，即使出发点是中立的，AI在制度性框架下仍可能放大社会结构中的不平等。
他提醒：与其过度追求“中立AI”或“可信AI”，不如更关注其如何参与构建、影响甚至重塑我们日常生活的认知结构。
模型内部多元社会的“认知冲突”，比“一致性”更有创造力
“Diverse models think better“
Evans教授分享了一系列实验研究，显示在AI模型中引入多样性，反而能提升推理质量与创造力。例如，当模型内部存在多个“声音”或立场时，它们之间的“认知冲突”能带来更具洞察力的结果；而观点一致的模型往往陷入思维惯性，难以提出新颖观点。
不仅如此，多模型协作也被证实优于单一模型，尤其在科学探索、社会模拟和复杂问题生成等领域，多样性是推动创新的引擎。
感知系统缺失：AI难以真正“共进化”
“Models lack sensorium”
除了“认知偏差”，Evans教授还指出当前AI模型面临的另一重大局限——缺乏动态演化的感知系统（sensorium）。目前模型主要依赖静态的大规模语料库进行训练，缺乏人类那样不断成长、反馈、更新的感知与交互机制。
这种“信息封闭”使得AI更擅长处理已知问题，而不擅长识别未知、边缘和低概率高价值的问题。在科学研究中，这种局限表现为模型虽能提升效率，却在一定程度上也造成了研究方向趋同化的问题。Evans教授建议，未来应扩展AI的感知能力，实现真正的人机共演化。
现场互动 | 学生提问精彩呈现
在讲座互动环节，现场学生踊跃提问。其中一位同学分享了自己使用稀疏自动编码器（sparse autoencoders）在蛋白质语言模型中发现功能模块的研究成果，并提及其利用大模型进行社会仿真实验，成功重现了许多真实世界的社会现象。他进一步提问：大模型是否能为社会科学研究带来新范式？Evans教授回应道，他非常认可这种方法的潜力，尤其是在现实数据难以获取、伦理或技术不可观测的场景中，大模型可以作为“假设生成器”和“高效筛选器”，辅助社会科学开展更具前瞻性和指向性的研究。
另一位同学聚焦“AI团队如何释放创造力”，提问：“我们如何在AI与人类组成的混合团队中实现真正的‘创造力最大化’？是否需要针对AI特性开发专门的协作机制？” Evans教授坦言：“这是一个仍在探索中的问题。” 但他强调，“两台持不同立场的AI，远比‘中立AI’更能激发人类深度思考，未来的突破需要更多跨学科合作与实验验证。
Evans教授在讲座中通过丰富的实证研究，生动展现了AI多样性在科学、文化及社会领域的巨大价值。面对模型趋同和创新瓶颈，他呼吁：未来的AI不该被单一的“价值对齐”束缚，而应鼓励差异与张力的共生，激发人类更深层次的创造力。
这不仅是技术路线的转变，更是人机关系的升级——从“驯服”AI，到与多样化的智能共生。或许，正是这种拥抱差异的态度，才能让AI与人类携手，迈向真正可持续的创新时代。
参考文献：
Gabriel, I., Keeling, G., Manzini, A., & Evans, J. We need a new ethics for a world of AI agents [J]. Comment, Nature, 644, 38-40, 2025. https://doi.org/10.1038/d41586-025-02454-5
