AI偏见真相：比人类更不理性的算法决策内幕

“AI决策”常被等同于绝对理性，但这可能是一个危险的误解。中欧国际工商学院金融学教授余方指出，AI不仅无法完全摆脱人类偏见，甚至可能将其放大。本文基于余方教授的演讲观点进行阐述。

当前，AI正深度渗透职场决策流程，这引发了一个从行为金融学出发的核心审视：AI的普及，究竟在优化还是扭曲我们的决策质量？

要厘清这一点，必须回溯行为金融学的理论基石。

经济学领域长期存在理性预期学派与行为学派的论战，这一分歧在金融学中具体表现为有效市场假说与行为金融学的对峙。

2013年诺贝尔经济学奖颇具深意地同时授予了尤金·法玛（Eugene Fama）和罗伯特·席勒（Robert Shiller）。法玛的有效市场假说认为价格已包含一切信息，而席勒则揭示了市场的非理性波动。此外，理查德·塞勒（Richard Thaler）在《助推》中系统论证了人类决策的系统性偏差，并于2017年获得诺奖。

行为金融学的核心主张正在于此：人类的决策错误并非随机，而是具有系统性。这种规律性使得偏差可以被识别、预测，甚至利用。

人类的决策偏差，AI是否具备？

随着大语言模型成为日常的“外置大脑”，从琐事到重大决策，人们愈发依赖AI的建议。关键在于：AI是在纠正我们的认知偏误，还是在无形中将其固化并放大？

偏差一：锚定效应（Anchoring Effect）

丹尼尔·卡尼曼（Daniel Kahneman）的经典实验揭示了无关数字如何潜意识地影响判断。商业中“原价锚定”策略正是对此效应的利用。

针对AI的测试显示，不同模型表现迥异：GPT与Gemini表现出较强的抗锚定能力，Claude受到轻微影响，而LLaMA则表现出与人类相似的锚定效应。这表明，AI的“理性”程度高度依赖于其算法设计与训练。

偏差二：过度自信（Overconfidence）

专业投资者常过度自信，其预测的波动区间往往过于狭窄，导致实际命中率远低于预期。这也是主动型基金长期难以持续战胜市场的原因之一。

AI测试中，Claude倾向于给出宽泛的预测区间，显得更为审慎；GPT表现居中；而Gemini等模型则频繁给出极窄区间，展现出显著的过度自信特征。

偏差三：损失厌恶（Loss A version）

面对“正面赢120元，反面输100元”的抛硬币游戏，多数人会拒绝。卡尼曼的研究证实，损失带来的心理痛苦感约是等量收益带来快乐感的2.25倍。

AI在此类决策中差异明显：GPT近乎纯粹理性，只计算期望值；Claude在多数情况下表现出损失厌恶；Gemini则展现出比人类更强烈的损失厌恶倾向。

偏差四：框架效应（Framing Effect）

决策受问题表述方式（框架）的影响。经典的“亚洲疾病问题”实验表明，将结果表述为“拯救”或“死亡”，会直接导致多数人的选择发生逆转，尽管两种方案在数学上等价。

测试发现，几乎所有大语言模型都比人类更容易受到框架效应的影响。这恰恰解释了“提示词工程”为何至关重要——AI对语言的细微变化极度敏感，提问方式直接决定了答案的倾向。

偏差五：羊群效应（Herd Effect）

人类存在从众心理。AI虽无社交意识，但其“算法共振”风险可能更大。由于底层算法与训练数据同质化，面对突发事件，大量AI系统可能在短时间内做出趋同判断，引发系统性风险。例如，导航App将大量车辆同时导向同一条“捷径”，导致交通瘫痪。

模型迭代，能消除AI的决策偏差吗？

一个普遍的假设是：模型越新，偏差越小。然而，研究将偏差分为两类，结果截然不同。

第一类是统计推理类偏差：涉及基础概率、贝叶斯推理等逻辑任务。这类偏差确实随着模型迭代而显著减少。

第二类是偏好类偏差：涉及风险态度、价值判断，如损失厌恶、框架效应等。令人警惕的是，随着模型升级，这类偏差并未减弱，反而有强化趋势。

为何技术越先进，AI在某些方面反而更“不理性”？关键在于其训练机制RLHF（基于人类反馈的强化学习）。AI从人类的历史文本和反馈中学习，而后者本身就充满了偏见与矛盾。模型在学习“人性化”表达的同时，也内化了人类的系统性偏差。

此外，“偏好崩塌”现象也不容忽视：在微调过程中，主流反馈模式被不断强化，而少数派观点则被边缘化，导致模型的输出多样性降低，偏见被固化。

与AI协同决策的四个关键策略

基于以上认知，在商业与投资决策中，我们应如何与AI有效协作？以下是四条基于行为金融学的实操建议。

第一，破除“AI绝对理性”的迷思。无论模型在智力测试中表现多优异，都不能等同于其在涉及价值判断的决策中保持中立。务必区分任务类型：将纯计算、逻辑推理任务交给AI；而在涉及风险权衡、战略选择的决策上，必须保留人工复核与校准的环节。

第二，将AI作为“行为偏差模拟器”加以利用。AI能够高保真地模拟人类的各类认知偏差。企业可将其用于营销话术测试、价格策略评估或产品设计反馈，将其作为低成本、高效率的“数字焦点小组”与策略沙盘。

第三，警惕AI成为你个人偏见的放大器。AI设计上存在迎合用户倾向的特性。在进行关键决策时，务必引入交叉验证：同时征询多个不同架构、不同训练背景的模型意见，对比其回答的差异，以规避单一模型的系统性偏差风险。

第四，通过提示词工程构建“理性决策框架”。既然AI对提问框架敏感，我们可以主动设计提问方式。不要直接询问答案，而是指令AI：“请基于行为经济学原理，分析此决策可能面临的五种认知偏差风险，并从反对者立场对我的初步方案提出批判性意见。”通过这种结构化提示，引导AI进行深度、多维的分析，从而获得更稳健的决策支持。

理解AI的决策偏差，不是为了否定其价值，而是为了更清醒、更有效地使用这一强大工具。驾驭技术的核心，在于深刻认知其内在的机理与固有的边界。