帝国时代2与大语言模型：拟人属性深度解析
先说一个核心判断：我们可能高估了大语言模型的“人性”。最近，Adrian de Wynter 的一项研究给这股“拟人化”热潮泼了盆冷水。他直接抛出一个尖锐的问题——如果连《帝国时代2》里训练出的神经网络都能表现出类似“理解”或“道德”的特征，那这些属性还能算是大语言模型（LLM）独有的吗？
研究结论相当碘伏：所谓的“理解”或“道德”，可能并非LLM的专属标签，而是任何足够复杂的系统在特定环境下都可能呈现出的“表象”。关键在于，我们目前缺乏一套明确的测量标准来区分这是真正的智能，还是观察者的主观投射。为此，研究者提出了一个“零假设”——在实验设计时，先假设LLM并不具备唯一性，这才是更严谨的科学态度。
核心要点
- 挑战拟人化假设：质疑当前研究中，将道德、自然语言理解等人类特质直接归因于LLM的做法是否真的科学。
- 属性的非唯一性：通过在《帝国时代2》中训练神经网络，证明这些“类人”表现可能出现在任何足够强大的基质（比如乐高，甚至某个特定地理区域）中。
- 测量标准的缺失：如果不进行显式测量，我们对AI行为的解释，本质上取决于观察者的主观“脑补”，而非客观事实。
- 提出“零假设”：建议在AI实验中，先假设“LLM并不特殊”，这是避免循环论证和无效结论的有效路径。
详细分析
拟人化归因的逻辑陷阱
在如今的LLM研究圈，有一种倾向很常见：看到模型输出了某个“有道德感”的回答，就立刻认定模型具备了“道德理解”。Adrian de Wynter 的研究指出，这种归因链条本质上是“基于假设”而非“基于实证”。论文强调，虽然LLM在响应提示词时表现出的某些属性可能是稳定的，但我们对其行为的解释，会随着承载这些行为的“基质”不同而发生偏移。你想，如果一个在游戏里跑马拉松的简单神经网络都能表现出类似的属性，那我们凭什么说这些属性就是“类人智能”的高光时刻？它们很可能只是复杂系统在特定环境下的“必然产物”。
基质独立性与《帝国时代2》实验
为了证明这一点，研究者玩了个巧妙的实验：他们在《帝国时代2》这个游戏里，构建并训练了一个简单的神经网络。核心逻辑很简单：如果在这么有限的游戏环境里都能观察到所谓的“涌现”属性，那这些属性就绝不是LLM的专利。论文甚至做了个更大胆的推论——任何具有足够计算或组织能力的基质，不论是乐高积木，还是像大波士顿地区那样复杂的社会地理系统，理论上都能呈现出类似的拟人化特征。所以，把这些特征当作LLM的“独门绝技”，在经验科学上根本站不住脚。这种“基质独立性”要求我们讨论AI属性时，必须跳出表象，去找到更深层的物理或逻辑证据。
建立显式测量准则的必要性
问题出在哪？研究直言不讳：当前的很多讨论，结论几乎都是“循环论证”的产物。比如，因为模型表现得像有道德，所以认为它有道德；又因为认为它有道德，所以把它的所有行为都解读为有道德。这就像给自己“搭戏台”。作者认为，任何基于经验的讨论，都必须包含显式的测量标准，否则解释权就留给了“表征”本身。为了打破这种僵局，论文提出了一个“零假设”的思路：在设计实验时，研究者应首先假设LLM并不拥有“唯一性”，也不预设它有人类属性。这样一来，实验结果的说服力会强得多，也更接近模型的真实面貌，而不是研究者的主观想象。
行业影响
这项研究对整个AI行业，尤其是学术界，是一记清醒的警钟。首先，它挑战了当下流行的“涌现”论调，逼着研究人员在评估模型能力时再三掂量，别动不动就过度解读。其次，它推动AI评估体系向更客观、更“去拟人化”的方向演进，强调了建立跨模型、跨基质的通用测量标准有多重要。对于AI伦理和治理而言，这个视角更有实际价值——它帮助决策者更理性地看待AI的“道德”与“理解”，从而制定基于事实、而非基于幻觉的监管政策。
常见问题
问题 1：为什么作者选择《帝国时代2》作为对比对象？
其实答案很直接——它足够简单，又足够“跨界”。作者用《帝国时代2》是为了证明，在一个非语言模型的系统里，通过训练神经网络，同样能产生被误认为是“拟人化”的表现。这就像在说：你看到的LLM的“人性”，可能只是复杂系统在特定基质下的一种“本能反应”。
问题 2：什么是论文中提到的“基质”（Substrate）？
你可以把它理解为系统运行的“底盘”或“土壤”。LLM的基质是它的神经网络架构和训练数据，而《帝国时代2》、乐高积木甚至大波士顿地区，都被视为不同的基质。论文的核心观点之一就是：属性的解释，往往会随着这个“底盘”的改变而完全变样。
问题 3：这项研究是否否定了LLM的强大功能？
完全不是。研究并没有否定LLM的功能，也没有否认它们在响应提示词时的稳定性。它真正质疑的是，我们给这些功能贴上的“人类属性”标签是否合理。它呼吁的是一种更严谨、更脚踏实地的科学态度——通过明确的测量标准，而不是主观的拟人化想象，来定义AI的能力边界。