劉河慶

華中科技大學(xué)

社會(huì)學(xué)院

教授

人工智能社會(huì)化：內(nèi)容生成與符號(hào)重塑

來(lái)源 | 《社會(huì)學(xué)研究》2026年第2期

作者 | 劉河慶

責(zé)任編輯 |趙夢(mèng)瑤

大語(yǔ)言模型作為準(zhǔn)社會(huì)主體融入社會(huì)生活，正在重塑社會(huì)互動(dòng)模式與社會(huì)秩序?；谌斯ぶ悄苌鐣?huì)化視角，本研究使用四個(gè)大語(yǔ)言模型模擬不同角色對(duì)“知乎”平臺(tái)上的海量提問(wèn)進(jìn)行回答，進(jìn)而對(duì)大語(yǔ)言模型的行為特征及其對(duì)內(nèi)容生態(tài)的沖擊等進(jìn)行分析。研究發(fā)現(xiàn)，大語(yǔ)言模型在互動(dòng)中兼具精確性與機(jī)械性：它們能靈活識(shí)別場(chǎng)景，但在輸出中會(huì)機(jī)械地強(qiáng)化性別、年齡等方面的角色刻板印象。同時(shí)，大語(yǔ)言模型生成的內(nèi)容語(yǔ)義高度集中，趨近于中立或高點(diǎn)贊的人類回答，進(jìn)而可能引發(fā)社會(huì)符號(hào)系統(tǒng)的收縮和同質(zhì)化。研究人工智能參與社會(huì)互動(dòng)及內(nèi)容生成的過(guò)程，為理解數(shù)智時(shí)代社會(huì)形態(tài)的變遷提供了重要視角。

一、引言

生成式人工智能的迅速崛起不僅標(biāo)志著一場(chǎng)技術(shù)革命，也是一個(gè)重要的社會(huì)和文化現(xiàn)象。以大語(yǔ)言模型為代表的生成式人工智能，憑借其對(duì)于多模態(tài)內(nèi)容的生成能力，正在重塑知識(shí)的生產(chǎn)和獲取方式，還展現(xiàn)出日益顯著的社會(huì)化潛能，這類模型以前所未有的方式滲透進(jìn)人類社會(huì)生活（Gabriel,2020），逐漸超越單純工具的范疇，成為復(fù)雜場(chǎng)景中主動(dòng)的互動(dòng)參與者、意義構(gòu)建者乃至社會(huì)符號(hào)系統(tǒng)的形塑力量（Lotman,1990；Bisconti,2024），這一轉(zhuǎn)變對(duì)社會(huì)學(xué)傳統(tǒng)意義上的互動(dòng)模式與社會(huì)化過(guò)程產(chǎn)生了深遠(yuǎn)影響。

經(jīng)典社會(huì)化理論側(cè)重個(gè)體如何通過(guò)家庭、學(xué)校、同伴群體等社會(huì)化載體習(xí)得社會(huì)規(guī)范和價(jià)值觀念（米德，2018；Guhin et al.，2021），然而，以ChatGPT、DeepSeek為代表的大語(yǔ)言模型在海量場(chǎng)景中與人類開(kāi)展互動(dòng)、協(xié)作甚至競(jìng)爭(zhēng)，對(duì)傳統(tǒng)社會(huì)化理論形成了挑戰(zhàn)。一方面，人工智能扮演著虛擬伴侶、內(nèi)容生產(chǎn)者等角色，逐漸成長(zhǎng)為具備一定自主性和創(chuàng)造性的準(zhǔn)社會(huì)主體（伊德，2012；邱澤奇，2024a；Bisconti et al.，2024）；另一方面，作為社會(huì)文化技術(shù)（Farrell et al.，2025），大語(yǔ)言模型通過(guò)大規(guī)模內(nèi)容生成直接作用于人類的語(yǔ)言、認(rèn)知和價(jià)值體系，承擔(dān)起“智力物替”這一全新功能（王寧，2025），進(jìn)而動(dòng)搖了傳統(tǒng)社會(huì)化視角下相對(duì)靜態(tài)、固化的社會(huì)符號(hào)系統(tǒng)（Guhin et al.，2021）。在此背景下，系統(tǒng)分析人工智能如何在多元場(chǎng)景中承載不同社會(huì)角色，以及如何沖擊以平臺(tái)內(nèi)容生態(tài)為代表的社會(huì)符號(hào)系統(tǒng)，成為理解數(shù)智時(shí)代人工智能如何推動(dòng)社會(huì)形態(tài)與社會(huì)秩序整體演變的關(guān)鍵所在。

相關(guān)研究的難點(diǎn)在于應(yīng)對(duì)人工智能所具有的高度實(shí)踐性和生成性?；谌祟愐延袝嬷R(shí)訓(xùn)練而成的大語(yǔ)言模型能夠?qū)W習(xí)專業(yè)知識(shí)、互動(dòng)規(guī)則和價(jià)值偏好，進(jìn)而根據(jù)用戶的不同需求生成海量?jī)?nèi)容（這些內(nèi)容出現(xiàn)在論文、政策報(bào)告、短視頻等諸多載體中）。首先，這體現(xiàn)了人工智能的高度實(shí)踐性，即與已有文獻(xiàn)中技術(shù)作為相對(duì)固定工具的角色（芬伯格，2005；Matthewman,2017）不同，人工智能已廣泛融入人類社會(huì)生活與專業(yè)領(lǐng)域（邱澤奇，2024a；王寧，2025），在社會(huì)互動(dòng)中表現(xiàn)出高度的情境適應(yīng)性和角色轉(zhuǎn)換能力，能夠應(yīng)對(duì)多樣乃至沖突的社會(huì)需求，并在與人類互動(dòng)過(guò)程中動(dòng)態(tài)調(diào)整自身的角色、偏好乃至價(jià)值觀。其次，大語(yǔ)言模型的內(nèi)容生成能力，特別是對(duì)觀念、偏好的生成能力，打破了經(jīng)典社會(huì)化理論中相對(duì)清晰的宏微觀界限（個(gè)體通過(guò)社會(huì)化機(jī)構(gòu)學(xué)習(xí)相對(duì)固定的社會(huì)規(guī)范和價(jià)值觀）。大語(yǔ)言模型在社會(huì)互動(dòng)中生成的海量?jī)?nèi)容不僅直接沖擊平臺(tái)現(xiàn)有的內(nèi)容生態(tài)，也通過(guò)模型迭代持續(xù)影響后續(xù)的人機(jī)互動(dòng)。上述大語(yǔ)言模型在不同場(chǎng)景、時(shí)間與提示條件下所呈現(xiàn)的復(fù)雜行為差異及其生成能力，直接挑戰(zhàn)了將人工智能技術(shù)僅視為工具或客體，進(jìn)而探討用戶接受度或社會(huì)后果等的傳統(tǒng)分析路徑。

因此，要考察大語(yǔ)言模型在數(shù)智時(shí)代的具體角色，必須超越僅將其視為工具并進(jìn)行“技術(shù)能力評(píng)估”的分析框架，轉(zhuǎn)而關(guān)注其作為符號(hào)學(xué)意義上的行動(dòng)者，如何在復(fù)雜社會(huì)場(chǎng)景中參與內(nèi)容生產(chǎn)與觀念輸出。本文提出“人工智能社會(huì)化”視角，將大語(yǔ)言模型視為具有一定自主性與創(chuàng)造性的“準(zhǔn)社會(huì)主體”，聚焦其最突出的內(nèi)容生成能力，試圖回答以下問(wèn)題。第一，大語(yǔ)言模型在不同場(chǎng)景中生成的內(nèi)容，與人類用戶基于不同經(jīng)歷和傾向所產(chǎn)生的內(nèi)容有何異同？其內(nèi)容輸出是否會(huì)強(qiáng)化某些特定內(nèi)容或視角？這些異同反映了大語(yǔ)言模型對(duì)既有語(yǔ)言特征、偏好乃至社會(huì)規(guī)范的什么學(xué)習(xí)模式？第二，大語(yǔ)言模型在模擬不同社會(huì)角色時(shí)生成的內(nèi)容存在何種差異，這體現(xiàn)了它對(duì)不同社會(huì)角色怎樣的理解？第三，大語(yǔ)言模型在短時(shí)間內(nèi)生成的海量?jī)?nèi)容的語(yǔ)義分布與人類用戶在長(zhǎng)期復(fù)雜互動(dòng)中生成內(nèi)容的語(yǔ)義分布有何不同？這些生成內(nèi)容如何影響平臺(tái)內(nèi)容生態(tài)？為回答上述問(wèn)題，本研究采用計(jì)算實(shí)驗(yàn)方法，使用四個(gè)國(guó)內(nèi)外大語(yǔ)言模型（DeepSeek、ChatGPT、Qwen、豆包）模擬不同社會(huì)角色對(duì)“知乎”平臺(tái)上30余萬(wàn)個(gè)提問(wèn)進(jìn)行回答，并與原有人類用戶的回答進(jìn)行比較，以探索大語(yǔ)言模型生成內(nèi)容的場(chǎng)景化特征。同時(shí)，通過(guò)考察人工智能生成內(nèi)容與用戶生成內(nèi)容在語(yǔ)義分布上的差異，本研究將進(jìn)一步探討大語(yǔ)言模型的海量?jī)?nèi)容生成能力對(duì)社會(huì)符號(hào)系統(tǒng)的潛在影響。

二、文獻(xiàn)述評(píng)

（一）人工智能作為準(zhǔn)社會(huì)主體

技術(shù)與社會(huì)的關(guān)系，尤其是技術(shù)發(fā)展與社會(huì)結(jié)構(gòu)、社會(huì)觀念之間的復(fù)雜互動(dòng)一直是社會(huì)學(xué)的核心議題（芬伯格，2005；Matthewman,2017）。在該領(lǐng)域的長(zhǎng)期研究中，一個(gè)關(guān)鍵難題在于如何理解技術(shù)自身的高度變動(dòng)性與復(fù)雜性。技術(shù)往往處于持續(xù)演進(jìn)的狀態(tài)，且其用途和意義具有多重可能性（Matthewman,2017）?；诩夹g(shù)決定論和社會(huì)建構(gòu)論視角的研究大多仍從技術(shù)的工具屬性出發(fā)，探討技術(shù)如何“增強(qiáng)”社會(huì)或社會(huì)如何形塑技術(shù)（芬伯格，2005）。而有關(guān)技術(shù)社會(huì)化的文獻(xiàn)則側(cè)重于技術(shù)在社會(huì)中被接受并擴(kuò)散的過(guò)程（陳凡，1992）。這些視角因?qū)⒓夹g(shù)視為相對(duì)固定的工具或客體，難以充分解釋技術(shù)與社會(huì)之間動(dòng)態(tài)交織的復(fù)雜關(guān)系。后續(xù)研究開(kāi)始倡導(dǎo)一種“分散的能動(dòng)性”，強(qiáng)調(diào)人類和技術(shù)都具有主體性和能動(dòng)性（伊德，2012；拉圖爾，2022）。例如伊德（Don Ihde）指出，在人類與技術(shù)互動(dòng)的體驗(yàn)的過(guò)程中存在他異性關(guān)系（alterity relations），技術(shù)在此關(guān)系中表現(xiàn)出一定的獨(dú)立性與互動(dòng)性，成為“準(zhǔn)他者”（伊德，2012）。數(shù)智時(shí)代人工智能在各社會(huì)領(lǐng)域的廣泛應(yīng)用進(jìn)一步印證了同時(shí)關(guān)注人類和技術(shù)能動(dòng)性的必要性。有研究提出，隨著人工智能技術(shù)深度融入社會(huì)，傳統(tǒng)的人類中心主義視角需要被重新審視，人工智能不再只是工具，而是具備一定自主性和適應(yīng)性的“準(zhǔn)社會(huì)主體”，能夠在社會(huì)中承擔(dān)重要角色（Bisconti et al.，2024）。

因此，探究人工智能扮演何種社會(huì)角色，其作為“準(zhǔn)社會(huì)主體”具有哪些特征，已成為理解數(shù)智時(shí)代技術(shù)與社會(huì)關(guān)系，乃至思考“數(shù)智社會(huì)可以可能”的關(guān)鍵（西蒙東，2024）。事實(shí)上，使人工智能具備參與社會(huì)互動(dòng)的能力，特別是擁有足夠的社會(huì)智能，一直是該領(lǐng)域發(fā)展的重要目標(biāo)（Suchman,2007；Bates，2024）。研究者將社會(huì)智能定義為“人工智能根據(jù)人類的標(biāo)準(zhǔn)對(duì)外在刺激和社會(huì)場(chǎng)景的要求作出自動(dòng)化響應(yīng)”，并已在此方向展開(kāi)諸多探索（Fogg,1998；Bates，2024）。例如，福格（Brian J. Fogg）關(guān)注計(jì)算機(jī)的說(shuō)服能力，認(rèn)為作為社會(huì)行動(dòng)者的計(jì)算機(jī)可通過(guò)建立社會(huì)規(guī)范、提供社會(huì)支持等方式影響人類態(tài)度（Fogg,1998）。然而，計(jì)算機(jī)科學(xué)對(duì)社會(huì)智能的追求在很長(zhǎng)時(shí)期內(nèi)未達(dá)預(yù)期，一個(gè)重要原因在于傳統(tǒng)機(jī)器學(xué)習(xí)依賴于編碼和明確的規(guī)則，而現(xiàn)實(shí)中大量的社會(huì)場(chǎng)景運(yùn)行于隱性知識(shí)與非明文的規(guī)則之上（史密斯，2022），這使得只依靠固定、明確規(guī)則的計(jì)算機(jī)難以實(shí)現(xiàn)真正意義上的社會(huì)智能。

以大語(yǔ)言模型為代表的生成式人工智能的迅速崛起和廣泛應(yīng)用，大大推進(jìn)了人工智能的社會(huì)化進(jìn)程及其社會(huì)智能的實(shí)現(xiàn)。ChatGPT、DeepSeek等大語(yǔ)言模型通常具備數(shù)十億參數(shù)，其訓(xùn)練數(shù)據(jù)覆蓋了人類已記錄知識(shí)的絕大部分。除了數(shù)據(jù)規(guī)模龐大以外，這類模型在獲取人類隱性知識(shí)和規(guī)則方面尤其有效，它們通過(guò)學(xué)習(xí)示例，在無(wú)明確指令的情況下習(xí)得和掌握未被預(yù)先設(shè)計(jì)的能力（Autor,2024）。這種脫離固定腳本和顯性規(guī)則、依賴訓(xùn)練數(shù)據(jù)即時(shí)決策和互動(dòng)的能力，使大語(yǔ)言模型能夠廣泛融入各類社會(huì)場(chǎng)景，承擔(dān)如虛擬伴侶等多種社會(huì)角色（邱澤奇，2024b）。

盡管大語(yǔ)言模型有潛力成為廣泛存在于社會(huì)中的準(zhǔn)社會(huì)主體，但其與具有特定成長(zhǎng)經(jīng)歷、相對(duì)穩(wěn)定的價(jià)值觀、個(gè)性、知識(shí)和能力的人類個(gè)體存在本質(zhì)差異（米德，2018）。大語(yǔ)言模型并未經(jīng)歷人類成長(zhǎng)過(guò)程中的“場(chǎng)景嵌入”，而是通過(guò)學(xué)習(xí)海量文本、圖像等人類知識(shí)，融合各類價(jià)值觀、知識(shí)及能力，從而表現(xiàn)出高度依賴上下文的價(jià)值觀和人格特征。根據(jù)不同的提示詞，它可以模擬多種角色，表達(dá)并迅速切換不同的價(jià)值觀（Collins，2025）。這意味著，生成式人工智能并不具備人類主體那樣相對(duì)穩(wěn)定的偏好（Guhin et al.，2021），也不存在戈夫曼（Erving Goffman）所論述的“前臺(tái)”“后臺(tái)”的切換和張力（戈夫曼，2008），而是在海量社會(huì)互動(dòng)中，高度依賴即時(shí)語(yǔ)境輸出相應(yīng)的價(jià)值觀（Li et al.，2024）。值得注意的是，盡管大語(yǔ)言模型可以表達(dá)并快速轉(zhuǎn)換多種視角，但與數(shù)字平臺(tái)上用戶開(kāi)放式的表達(dá)和討論不同，它往往以某種權(quán)威姿態(tài)將多元視角壓縮為單一視角參與社會(huì)互動(dòng)（胡安寧、周森，2024；Collins，2025）。因此，探究以下問(wèn)題至關(guān)重要：大語(yǔ)言模型在不同場(chǎng)景中輸出何種內(nèi)容和視角？哪些視角或觀念更容易被激活并輸出，哪些則容易被抑制或忽略？模型在模擬不同社會(huì)角色時(shí)所輸出的內(nèi)容有何差異？回答這些問(wèn)題是理解大語(yǔ)言模型如何在多樣場(chǎng)景中進(jìn)行互動(dòng)并生成內(nèi)容的關(guān)鍵。

綜上所述，大語(yǔ)言模型在不同社會(huì)場(chǎng)景中生成內(nèi)容與價(jià)值偏好的能力，使其日益成為數(shù)智社會(huì)中不可忽視的準(zhǔn)社會(huì)主體。面對(duì)快速迭代、種類眾多，以及與海量用戶高頻互動(dòng)生成巨量?jī)?nèi)容的大語(yǔ)言模型，我們可從以下幾個(gè)方面深化對(duì)大語(yǔ)言模型作為準(zhǔn)社會(huì)主體的認(rèn)識(shí)。第一，在研究視角上，相較于從擬人化的視角關(guān)注大語(yǔ)言模型“知道什么”，更應(yīng)關(guān)注其在符號(hào)學(xué)意義上的行動(dòng)能力（Picca,2025）。大語(yǔ)言模型的社會(huì)化能力，關(guān)鍵不在于是否擁有意識(shí)或意圖，而在于其作為社會(huì)符號(hào)系統(tǒng)中的動(dòng)態(tài)操作者，能夠通過(guò)海量?jī)?nèi)容輸出影響甚至塑造價(jià)值觀的信息。換言之，大語(yǔ)言模型自身雖然不會(huì)思考，卻持續(xù)通過(guò)內(nèi)容輸出影響人類的思考過(guò)程。第二，已有研究多基于實(shí)驗(yàn)室環(huán)境或理想化數(shù)據(jù)集分析生成式人工智能在預(yù)設(shè)場(chǎng)景中的表現(xiàn)（Li et al.，2024），而讓模型參與真實(shí)社會(huì)場(chǎng)景中的觀點(diǎn)表達(dá)等任務(wù)，并將其輸出結(jié)果與人類生成內(nèi)容進(jìn)行對(duì)比，更有助于揭示其在現(xiàn)實(shí)互動(dòng)中的行為特征。第三，由于大語(yǔ)言模型的價(jià)值觀和人格特征高度依賴上下文，我們不應(yīng)將其視作固定統(tǒng)一的整體，而應(yīng)考察其在模擬不同社會(huì)角色時(shí)的具體生成特征，進(jìn)而檢驗(yàn)?zāi)Ｐ蛯?duì)不同社會(huì)角色的理解程度。總之，只有讓大語(yǔ)言模型以各種社會(huì)角色與真實(shí)社會(huì)場(chǎng)景相遇，才能在理論構(gòu)想“大語(yǔ)言模型應(yīng)做什么”的基礎(chǔ)上，系統(tǒng)考察實(shí)踐中“不同模型實(shí)際生成什么”，進(jìn)而深化對(duì)人工智能社會(huì)化進(jìn)程的理解。

（二）人工智能如何影響社會(huì)符號(hào)系統(tǒng)

在將人工智能視為準(zhǔn)社會(huì)主體、探討其如何在具體場(chǎng)景中參與社會(huì)互動(dòng)的同時(shí)，我們也需將其置于更廣闊的社會(huì)符號(hào)系統(tǒng)重組進(jìn)程中，從宏觀層面考察具有海量?jī)?nèi)容生成能力的大語(yǔ)言模型對(duì)既有社會(huì)符號(hào)系統(tǒng)的潛在沖擊。單個(gè)大語(yǔ)言模型在具體互動(dòng)場(chǎng)景中快速生成的內(nèi)容看似隨機(jī)，但這些內(nèi)容匯聚后可能呈現(xiàn)某種特定的偏好結(jié)構(gòu)，進(jìn)而形成新的話語(yǔ)結(jié)構(gòu)與觀念體系，并沖擊已有內(nèi)容。與此同時(shí)，大語(yǔ)言模型生成的海量?jī)?nèi)容又能以訓(xùn)練語(yǔ)料等形式迅速反饋至后續(xù)場(chǎng)景，從而影響微觀層面的具體互動(dòng)。這種宏觀與微觀之間的循環(huán)互構(gòu)關(guān)系意味著，我們需要同時(shí)從兩個(gè)層面進(jìn)行分析和比較，方能更深入地把握人工智能社會(huì)化的實(shí)質(zhì)。

在對(duì)經(jīng)典社會(huì)化理論的反思中，一個(gè)關(guān)鍵批評(píng)指向其對(duì)個(gè)體社會(huì)化過(guò)程的理解：個(gè)體在社會(huì)化中所學(xué)習(xí)和適應(yīng)的并非靜態(tài)的社會(huì)規(guī)范和價(jià)值觀（Guhin et al.，2021），而是一個(gè)由語(yǔ)言、符號(hào)、行為與規(guī)范等多種資源構(gòu)成的高度復(fù)雜的社會(huì)符號(hào)系統(tǒng)。這一系統(tǒng)在社會(huì)成員的持續(xù)互動(dòng)和歷史變遷中不斷重組和更新（Swidler,1986；Lotman,1990；Gelfand et al.，2024）。以數(shù)字平臺(tái)的興起為例，平臺(tái)內(nèi)部復(fù)雜多變的話語(yǔ)風(fēng)格、價(jià)值取向與行為規(guī)范已成為顯性且可觀測(cè)的社會(huì)符號(hào)系統(tǒng)。當(dāng)數(shù)字平臺(tái)逐漸成為社會(huì)符號(hào)系統(tǒng)的重要生成空間時(shí)，符號(hào)生產(chǎn)的主體也從專家轉(zhuǎn)變?yōu)閺V大普通用戶（趙一璋、王明玉，2023；張茂元、邱澤奇，2024），算法則成為影響內(nèi)容生產(chǎn)的關(guān)鍵機(jī)制，原本相對(duì)穩(wěn)定的社會(huì)符號(hào)系統(tǒng)因此變得更加碎片化和動(dòng)態(tài)化（喬天宇、向靜林，2022；劉河慶、梁玉成，2023）。數(shù)字平臺(tái)不僅帶來(lái)了社會(huì)符號(hào)數(shù)量的增加，也引發(fā)了話語(yǔ)意義維度的變化。例如，貝爾（Christopher A. Bail）等人引入“理性—感性”分析框架，發(fā)現(xiàn)數(shù)字平臺(tái)上公開(kāi)的討論并未如哈貝馬斯（Jürgen Habermas）所預(yù)期的那樣推動(dòng)理性話語(yǔ)數(shù)量的增長(zhǎng)，反而促使感性話語(yǔ)數(shù)量的明顯增加（Bail et al.，2017）。這些在數(shù)字平臺(tái)中不斷生成的話語(yǔ)風(fēng)格、價(jià)值傾向以及行為規(guī)范，已然成為數(shù)智時(shí)代重要的社會(huì)化環(huán)境（Gelfand et al.，2024；Tsvetkova et al.，2024），個(gè)體在此環(huán)境中持續(xù)創(chuàng)造并適應(yīng)不斷迭代的符號(hào)系統(tǒng)，從而在虛擬層面不斷進(jìn)行著社會(huì)化的過(guò)程。

大語(yǔ)言模型具有加速數(shù)字平臺(tái)中的話語(yǔ)風(fēng)格、價(jià)值觀以及行為規(guī)范等社會(huì)符號(hào)系統(tǒng)演化的潛力（Gelfand et al.，2024；Floridi,2024）。生成式人工智能極大提升了內(nèi)容生產(chǎn)效率，能夠快速生成海量語(yǔ)義制品（馬文、陳云松，2024；Floridi,2024；Farrell et al.，2025），成為數(shù)智時(shí)代重要的“意義制造者”。關(guān)于大語(yǔ)言模型如何具體沖擊以平臺(tái)內(nèi)容為代表的社會(huì)符號(hào)系統(tǒng)，已有研究從生成內(nèi)容的語(yǔ)言特征、潛在社會(huì)偏見(jiàn)、多樣性程度等多方面進(jìn)行了考察（周旅軍、呂鵬，2024）。有研究發(fā)現(xiàn)，與人類文本相比，大語(yǔ)言模型表現(xiàn)出與之相似甚至更強(qiáng)的社會(huì)偏見(jiàn)（Pawar et al.，2024）。也有研究認(rèn)為，需要重視大語(yǔ)言模型生成價(jià)值觀的復(fù)雜性，其高度靈活的視角輸出使其常常成為不同價(jià)值觀相互競(jìng)爭(zhēng)的隱蔽場(chǎng)所（Bisconti et al.，2024；Collins,2025）。近期的研究開(kāi)始將大語(yǔ)言模型生成內(nèi)容與人類生成內(nèi)容進(jìn)行多維度綜合比較（龔為綱、黃思源，2025；胡安寧，2025；王元超等，2025），尤其關(guān)注大語(yǔ)言模型如何選擇性再現(xiàn)不同社會(huì)主體的觀點(diǎn)和語(yǔ)言風(fēng)格。例如，胡安寧（2025）指出，大語(yǔ)言模型在輸出時(shí)面臨“正確”與“多樣”的兩難：大語(yǔ)言模型通過(guò)學(xué)習(xí)海量資料輸出的結(jié)果看似最優(yōu)，實(shí)際上可能僅代表特定人群的觀點(diǎn)。還有研究則發(fā)現(xiàn)，大語(yǔ)言模型能夠再現(xiàn)不同社會(huì)群體的視角和語(yǔ)言風(fēng)格，但仍面臨輸出偏見(jiàn)、同質(zhì)性強(qiáng)、內(nèi)容虛化等問(wèn)題（Kozlowski & Evans,2025）。

總之，已有文獻(xiàn)關(guān)注到大語(yǔ)言模型的內(nèi)容生成能力對(duì)社會(huì)符號(hào)系統(tǒng)的沖擊，但受分析視角和研究設(shè)計(jì)所限，仍留下了若干尚未得到系統(tǒng)回答的重要問(wèn)題。例如，盡管大語(yǔ)言模型本身高度靈活且可快速模擬不同角色和視角生成內(nèi)容，但其輸出結(jié)果能否反映人類觀點(diǎn)的真實(shí)分布，是否會(huì)系統(tǒng)性強(qiáng)化某些視角并壓縮其他內(nèi)容？從分析視角看，已有研究多從能力評(píng)估角度分析大語(yǔ)言模型存在的不足（Li et al.，2024；Messeri & Crockett,2024；Sourati et al.，2025）。本文認(rèn)為，除了評(píng)估單個(gè)模型輸出內(nèi)容的正確性和局限性外，我們更應(yīng)關(guān)注大語(yǔ)言模型作為宏觀內(nèi)容生態(tài)塑造者的角色，考察其如何通過(guò)海量?jī)?nèi)容輸出影響符號(hào)系統(tǒng)。在研究設(shè)計(jì)方面，現(xiàn)有研究多基于實(shí)驗(yàn)室環(huán)境或理想化數(shù)據(jù)集（Pawar et al.，2024），且往往缺少對(duì)大語(yǔ)言模型生成內(nèi)容與人類真實(shí)觀點(diǎn)的比較。因此，深入理解大語(yǔ)言模型對(duì)社會(huì)符號(hào)系統(tǒng)的潛在沖擊，需要以人類用戶基于自身經(jīng)驗(yàn)和社會(huì)場(chǎng)景所形成的多樣化回答為參照，探究大語(yǔ)言模型作為準(zhǔn)社會(huì)主體如何在多元社會(huì)場(chǎng)景中快速生成內(nèi)容，進(jìn)而重塑社會(huì)符號(hào)系統(tǒng)（Farrell et al.，2025）。

綜上，本文嘗試提出“人工智能社會(huì)化”的視角，聚焦大語(yǔ)言模型最為突出的內(nèi)容生成能力，通過(guò)構(gòu)建不同模型在海量社會(huì)場(chǎng)景中的回答數(shù)據(jù)，挖掘其多維度語(yǔ)義特征，并將其與人類用戶的回答進(jìn)行系統(tǒng)比較。本研究旨在從微觀層面分析不同大語(yǔ)言模型在模擬各類社會(huì)角色、應(yīng)對(duì)多元社會(huì)場(chǎng)景時(shí)的內(nèi)容生成特征，同時(shí)在宏觀層面探討大語(yǔ)言模型的興起對(duì)數(shù)字平臺(tái)整體內(nèi)容生態(tài)的潛在影響。

三、研究設(shè)計(jì)

（一）數(shù)據(jù)收集和處理

為了分析大語(yǔ)言模型在不同社會(huì)場(chǎng)景中的內(nèi)容生成行為及其對(duì)平臺(tái)內(nèi)容生態(tài)的潛在影響，首先需構(gòu)建接近真實(shí)的社會(huì)場(chǎng)景并獲取可供對(duì)比的人類生成內(nèi)容。

為此，本研究選取“知乎”問(wèn)答平臺(tái)構(gòu)建研究場(chǎng)景和數(shù)據(jù)來(lái)源?！爸酢弊鳛橐粋€(gè)廣受歡迎的問(wèn)答平臺(tái)，匯集了大量用戶在科學(xué)技術(shù)、人際關(guān)系等多元話題下的真實(shí)互動(dòng)，能較全面地反映不同場(chǎng)景中用戶的具體回答和潛在偏好。這為本文提供了相對(duì)自然和真實(shí)的、長(zhǎng)時(shí)段的數(shù)字平臺(tái)內(nèi)容生產(chǎn)和用戶互動(dòng)場(chǎng)景，契合本文的研究目的。

在“知乎”平臺(tái)上，每個(gè)問(wèn)題附有多個(gè)標(biāo)簽以標(biāo)明所屬領(lǐng)域。為確保問(wèn)題樣本的覆蓋面，在數(shù)據(jù)收集過(guò)程中，筆者首先通過(guò)“知乎”的話題樹(shù)功能獲取盡可能廣泛的種子話題（涵蓋社會(huì)、科技等領(lǐng)域），并采集各話題下的問(wèn)題及其所有回答。隨后，本研究以第一輪收集到的回答者為節(jié)點(diǎn)，進(jìn)一步爬取其關(guān)注和回答的所有問(wèn)題及相關(guān)回答，最終獲取了約1200萬(wàn)條以“社會(huì)”“科技”“家庭”“文化”等為標(biāo)簽的問(wèn)題（時(shí)間跨度為2011—2022年）。為提高問(wèn)答數(shù)據(jù)的質(zhì)量，本研究篩選了回答數(shù)不少于10個(gè)的提問(wèn)作為初始數(shù)據(jù)，并利用基于雙向編碼表示（Bidirectional Encoder Representations from Transformers，簡(jiǎn)稱BERT）模型的主題模型（BERTopic）對(duì)這些問(wèn)題進(jìn)行議題分類。在此基礎(chǔ)上，本研究剔除了事實(shí)類、技能操作類、概念解釋類、娛樂(lè)類等較少涉及觀點(diǎn)表達(dá)的問(wèn)題，重點(diǎn)保留了觀點(diǎn)評(píng)價(jià)類（如對(duì)特定現(xiàn)象或事件的看法）提問(wèn)，去除重復(fù)問(wèn)題后共得到301459個(gè)有效提問(wèn)，并收集了相關(guān)提問(wèn)者、提問(wèn)時(shí)間、問(wèn)題關(guān)注度、每個(gè)提問(wèn)下點(diǎn)贊量前十的用戶回答及其點(diǎn)贊量等信息，從而構(gòu)建了覆蓋多場(chǎng)景的“知乎”平臺(tái)問(wèn)答互動(dòng)數(shù)據(jù)庫(kù)。

基于上述30余萬(wàn)條問(wèn)題，筆者進(jìn)一步選取ChatGPT、DeepSeek、Qwen、豆包等四個(gè)國(guó)內(nèi)外的代表性大語(yǔ)言模型，調(diào)用其應(yīng)用程序接口，將問(wèn)題輸入并獲取各模型對(duì)應(yīng)的回答。此外，本研究還設(shè)定了性別（男/女）、年齡（青年/老年）、回答風(fēng)格（理性/感性）三個(gè)社會(huì)角色維度來(lái)引導(dǎo)各模型在生成回答時(shí)模擬不同角色。每個(gè)“知乎”問(wèn)題最終對(duì)應(yīng)生成32條不同角色條件下的模型回答。通過(guò)上述流程，本研究共收集了來(lái)自四個(gè)大語(yǔ)言模型、模擬八種具體身份、針對(duì)30余萬(wàn)條問(wèn)題的964余萬(wàn)條回答大數(shù)據(jù)。

（二）測(cè)量

1.因變量

本研究致力于考察大語(yǔ)言模型與“知乎”用戶在不同場(chǎng)景中內(nèi)容生成模式的差異，而準(zhǔn)確測(cè)量二者生成內(nèi)容的特征和差異是推進(jìn)本研究的關(guān)鍵。已有研究主要基于毒性評(píng)分（Toxicity Score）（Pawar et al.，2024）等指標(biāo)來(lái)評(píng)估大語(yǔ)言模型輸出內(nèi)容的語(yǔ)義特征。上述指標(biāo)雖有助于識(shí)別內(nèi)容中明顯有害的表達(dá)，但對(duì)于更普遍、無(wú)明顯錯(cuò)誤卻蘊(yùn)含特定偏好與價(jià)值判斷的內(nèi)容，其測(cè)度能力有限。為彌補(bǔ)這一不足，本研究嘗試同時(shí)構(gòu)建兩個(gè)維度的測(cè)量：一是大語(yǔ)言模型回答與人類用戶回答的內(nèi)容相似度，二是大語(yǔ)言模型回答在理性—感性軸上的偏向程度。通過(guò)這種方式，本研究力求更系統(tǒng)地考察不同大語(yǔ)言模型在多樣化場(chǎng)景中內(nèi)容生成的具體特征。

具體而言，本研究使用BERT模型對(duì)301459個(gè)提問(wèn)中的人類回答及大語(yǔ)言模型生成回答進(jìn)行文本嵌入，將結(jié)果映射到統(tǒng)一的語(yǔ)義向量空間，從而使兩類回答處于可比較的語(yǔ)義環(huán)境中。以“知乎”問(wèn)題中的人類用戶回答為基準(zhǔn)，本研究計(jì)算其與對(duì)應(yīng)各人工智能回答的余弦相似度，進(jìn)而在問(wèn)題層面上構(gòu)建每個(gè)問(wèn)題中人工智能回答與人類用戶回答的內(nèi)容相似度指標(biāo)。

本文聚焦于理性—感性維度，分析大語(yǔ)言模型與人類用戶在內(nèi)容生成中的理性—感性偏向。具體而言，筆者基于框架軸（FrameAxis）模型，利用一組具有方向性的理性和感性種子詞對(duì)，構(gòu)建一個(gè)指向性語(yǔ)義空間，在此空間中，每個(gè)人類回答與人工智能回答均可獲得在理性—感性軸上的語(yǔ)義位置。本研究通過(guò)計(jì)算每個(gè)回答在該軸上的得分，生成“理性—感性偏向”變量，得分越高，表明回答的理性程度越高。

2.主要解釋變量

本研究的主要解釋變量為“知乎”問(wèn)題所屬的場(chǎng)景，即問(wèn)題討論的主要領(lǐng)域。為識(shí)別不同問(wèn)題涉及的場(chǎng)景，筆者使用BERTopic模型對(duì)30余萬(wàn)條問(wèn)題文本進(jìn)行主題歸類，并對(duì)模型輸出結(jié)果進(jìn)行合并，最終識(shí)別出以下五類主要討論領(lǐng)域：文化場(chǎng)景，涵蓋教育、藝術(shù)、科技、知識(shí)生產(chǎn)等相關(guān)議題的問(wèn)題數(shù)量占比28.53%；政治場(chǎng)景，主要涉及國(guó)際關(guān)系、公共政策等議題的問(wèn)題數(shù)量占比11.67%；經(jīng)濟(jì)場(chǎng)景，主要包括職業(yè)評(píng)價(jià)、消費(fèi)行為等相關(guān)討論的問(wèn)題數(shù)量占比15.95%；社會(huì)生活場(chǎng)景，涉及婚姻家庭、性別角色、代際差異等議題的問(wèn)題數(shù)量占比39.82%；其他未能明確歸入以上類別的問(wèn)題數(shù)量占比4.03%。

此外，本研究同時(shí)關(guān)注大模型類別及其模擬的不同社會(huì)角色對(duì)內(nèi)容生成的影響。模型類別指研究所使用的大語(yǔ)言模型，包括ChatGPT、DeepSeek、Qwen、豆包共四款國(guó)內(nèi)外代表性模型。大語(yǔ)言模型模擬的不同社會(huì)角色變量則是分析模型對(duì)社會(huì)角色的理解以及模型行為特征和社會(huì)化模式的關(guān)鍵變量。在研究中，筆者通過(guò)提示詞設(shè)定，引導(dǎo)各模型基于性別（男/女）、年齡（青年/老年）、回答風(fēng)格（理性/感性）三類社會(huì)維度生成回答。據(jù)此，每個(gè)語(yǔ)言大模型共模擬8種具體身份角色進(jìn)行回答?；诖肆鞒?，本研究構(gòu)建了以下分類變量：大語(yǔ)言模型具體類別、模擬性別群體、模擬年齡群體以及模擬回答風(fēng)格。

3.控制變量

控制變量包括“知乎”問(wèn)題的提問(wèn)年份、問(wèn)題長(zhǎng)度、問(wèn)題關(guān)注量、問(wèn)題網(wǎng)友回答的平均點(diǎn)贊量以及問(wèn)題網(wǎng)友回答的平均理性程度。問(wèn)題提問(wèn)年份為分類變量，時(shí)間跨度為2011—2022年。問(wèn)題長(zhǎng)度取“知乎”問(wèn)題文本長(zhǎng)度的對(duì)數(shù)值。問(wèn)題關(guān)注量取平臺(tái)上該問(wèn)題被網(wǎng)友關(guān)注數(shù)量的對(duì)數(shù)值。問(wèn)題網(wǎng)友回答的平均點(diǎn)贊量為每個(gè)問(wèn)題下點(diǎn)贊量最高的前十條網(wǎng)友回答的點(diǎn)贊數(shù)均值，并取對(duì)數(shù)值。問(wèn)題網(wǎng)友回答的平均理性程度為每個(gè)問(wèn)題下點(diǎn)贊量最高的前十條網(wǎng)友回答的理性得分均值。

（三）分析方法

在微觀層面，本文關(guān)注人工智能作為“準(zhǔn)社會(huì)主體”在不同社會(huì)場(chǎng)景下生成的內(nèi)容與人類用戶生成內(nèi)容之間的總體相似度，以及大語(yǔ)言模型生成內(nèi)容在理性—感性維度上的取值，二者均為連續(xù)變量。針對(duì)這兩個(gè)指標(biāo)，本文采用多元線性回歸模型進(jìn)行分析（使用穩(wěn)健標(biāo)準(zhǔn)誤）。

在宏觀層面，筆者首先使用BERT模型對(duì)所有收集到的人類用戶回答和不同大模型生成的回答進(jìn)行編碼，提取每個(gè)回答的高維語(yǔ)義向量；筆者隨后將所有回答投射至同一嵌入空間，通過(guò)比較人類回答與不同大語(yǔ)言模型回答在語(yǔ)義空間中的語(yǔ)義分布特征，探討人工智能的海量?jī)?nèi)容生成能力對(duì)已有平臺(tái)內(nèi)容生態(tài)的潛在影響。

四、大語(yǔ)言模型模擬不同角色在不同場(chǎng)景中的生成內(nèi)容特征

（一）大模型與人類用戶回答總體相似度分析

本節(jié)首先分析不同角色設(shè)定下的大語(yǔ)言模型在面對(duì)海量“知乎”問(wèn)題時(shí)，其生成回答與人類用戶回答的相似度。表1的基礎(chǔ)模型結(jié)果顯示，問(wèn)題回答的平均點(diǎn)贊量、問(wèn)題長(zhǎng)度及問(wèn)題關(guān)注量系數(shù)均顯著為正，表明網(wǎng)友回答越受歡迎、問(wèn)題越具體或問(wèn)題關(guān)注度越高，大語(yǔ)言模型生成回答與網(wǎng)友回答的相似度也越高。此外，問(wèn)題提問(wèn)時(shí)間的結(jié)果表明，以2017年左右為界，對(duì)于2017年之前年份的問(wèn)題，大語(yǔ)言模型生成的回答與已有網(wǎng)友回答相似度較低；而對(duì)于2017年之后新提出的問(wèn)題，大語(yǔ)言模型生成的回答與已有網(wǎng)友回答的相似度則相對(duì)較高。

表1中的問(wèn)題場(chǎng)景模型進(jìn)一步檢驗(yàn)了不同問(wèn)題涉及的社會(huì)場(chǎng)景的影響，這一維度在已有文獻(xiàn)中較少被關(guān)注。結(jié)果顯示，當(dāng)“知乎”問(wèn)題涉及經(jīng)濟(jì)場(chǎng)景時(shí)，大語(yǔ)言模型對(duì)該類問(wèn)題的回答與人類用戶回答的相似度明顯高于其他三類場(chǎng)景（文化、政治、社會(huì)）。相對(duì)而言，大語(yǔ)言模型在政治場(chǎng)景和社會(huì)場(chǎng)景中生成的回答與人類回答的相似度則明顯較低。

表1還重點(diǎn)考察了不同大語(yǔ)言模型及其模擬角色對(duì)內(nèi)容生成的影響。從各模型的表現(xiàn)差異來(lái)看，豆包大模型與“知乎”用戶回答內(nèi)容的相似度最高，DeepSeek和ChatGPT模型次之，Qwen模型與用戶回答的內(nèi)容相似度相對(duì)最低。這一結(jié)果反映出不同大語(yǔ)言模型在多樣場(chǎng)景中的適應(yīng)性差異。鑒于“知乎”作為大眾化問(wèn)答平臺(tái)的屬性，更側(cè)重于日常對(duì)話互動(dòng)與創(chuàng)作的豆包大模型的生成內(nèi)容與用戶回答更為接近。

此外，表1考察了大語(yǔ)言模型模擬不同角色時(shí)的內(nèi)容生成差異。結(jié)果顯示，與模擬女性角色相比，當(dāng)大語(yǔ)言模型模擬男性角色時(shí)，其生成內(nèi)容與“知乎”用戶回答的相似度更高；與模擬老年群體相比，模擬青年時(shí)的相似度更高；與感性風(fēng)格相比，模擬理性風(fēng)格時(shí)的相似度更高。

為深入探究不同大語(yǔ)言模型及其模擬的社會(huì)角色在不同問(wèn)題場(chǎng)景下的回答模式，筆者在表1全模型的基礎(chǔ)上，分別加入以下四個(gè)交互項(xiàng)：大語(yǔ)言模型類別與問(wèn)題場(chǎng)景、模擬性別與問(wèn)題場(chǎng)景、模擬年齡與問(wèn)題場(chǎng)景、模擬回答風(fēng)格與問(wèn)題場(chǎng)景。圖1通過(guò)四個(gè)子圖分別展示了上述交互項(xiàng)對(duì)總體內(nèi)容相似度的邊際效應(yīng)。結(jié)果顯示，無(wú)論是不同大語(yǔ)言模型，還是不同大語(yǔ)言模型模擬的角色，其表現(xiàn)均呈現(xiàn)精確性與機(jī)械性并存的特征。一方面，不同大語(yǔ)言模型及其模擬的角色能夠較為精確地區(qū)分不同問(wèn)題場(chǎng)景。如圖1所示，不論是模型類別差異，還是其模擬的三類角色，大語(yǔ)言模型在經(jīng)濟(jì)場(chǎng)景中生成的內(nèi)容與人類用戶回答相似度最高，而在政治和社會(huì)場(chǎng)景中相似度較低，表明大語(yǔ)言模型能夠區(qū)分不同場(chǎng)景的差異和特性。另一方面，大語(yǔ)言模型在理解社會(huì)角色時(shí)表現(xiàn)出明顯的機(jī)械性。以模擬性別為例，在四種不同問(wèn)題場(chǎng)景中，大語(yǔ)言模型模擬男性角色時(shí)生成的內(nèi)容與人類用戶回答的相似度均高于女性角色。簡(jiǎn)言之，大語(yǔ)言模型對(duì)不同問(wèn)題場(chǎng)景展現(xiàn)出較強(qiáng)的區(qū)分能力，但在模擬不同社會(huì)角色時(shí)，卻呈現(xiàn)明顯的模式化傾向。

上述結(jié)果初步揭示了大語(yǔ)言模型在內(nèi)容生成方面的基本特征。正如已有文獻(xiàn)指出，大語(yǔ)言模型的一個(gè)重要優(yōu)化目標(biāo)是生成準(zhǔn)確且符合主流價(jià)值觀的回答（Li et al.，2024），即兼顧輸出內(nèi)容的準(zhǔn)確性和多場(chǎng)景的適應(yīng)性。從這一角度來(lái)看，大語(yǔ)言模型的確表現(xiàn)出較強(qiáng)的社會(huì)化能力，能夠生成較為貼合不同場(chǎng)景的內(nèi)容。然而，當(dāng)要求大語(yǔ)言模型模擬不同性別、年齡群體或輸出風(fēng)格時(shí)，其生成內(nèi)容卻表現(xiàn)出高度一致且相對(duì)刻板的特征，不同角色之間的輸出結(jié)果差異展現(xiàn)出一種“機(jī)器制造”般的精準(zhǔn)分化。需要說(shuō)明的是，上述結(jié)果僅為對(duì)大語(yǔ)言模型生成內(nèi)容模式的初步測(cè)量，總體相似度的高低既受大語(yǔ)言模型自身生成特征的影響，也取決于“知乎”用戶回答的構(gòu)成。因此，下文將聚焦感性—理性這一具體維度進(jìn)一步探討大語(yǔ)言模型的內(nèi)容生成模式。

（二）大語(yǔ)言模型回答中的理性—感性偏向分析

本小節(jié)進(jìn)一步聚焦于理性—感性維度，考察不同大語(yǔ)言模型生成回答在理性程度上的偏向。與表1類似，表2的基礎(chǔ)模型首先分析了控制變量對(duì)大語(yǔ)言模型生成內(nèi)容理性程度的影響。結(jié)果顯示，若一個(gè)問(wèn)題下網(wǎng)友回答的平均點(diǎn)贊量較高，則大語(yǔ)言模型對(duì)該問(wèn)題的回答理性程度相對(duì)較低；若一個(gè)問(wèn)題下網(wǎng)友回答的理性程度均值較高，大語(yǔ)言模型生成回答的理性程度也相應(yīng)較高。此外，問(wèn)題受關(guān)注程度越高或問(wèn)題內(nèi)容越具體，大語(yǔ)言模型回答的理性程度越高。提問(wèn)年份變量的影響表明，大語(yǔ)言模型對(duì)年份較近問(wèn)題回答的理性程度有所下降。

表2中的問(wèn)題場(chǎng)景模型進(jìn)一步考察了問(wèn)題場(chǎng)景對(duì)大語(yǔ)言模型回答理性程度的影響。結(jié)果顯示，大語(yǔ)言模型對(duì)經(jīng)濟(jì)場(chǎng)景問(wèn)題的回答理性程度最高，政治場(chǎng)景次之，社會(huì)場(chǎng)景較低，文化場(chǎng)景則最低。

表2同時(shí)分析了不同大語(yǔ)言模型及模擬角色對(duì)理性程度的影響。從模型類別來(lái)看，Qwen大模型生成回答的理性程度最高，ChatGPT次之，DeepSeek再次之，豆包大模型生成回答的理性程度相對(duì)最低。

在不同角色設(shè)定方面，相較于模擬女性角色，大語(yǔ)言模型在模擬男性角色時(shí)生成回答的理性程度更高。相較于模擬老年群體，大語(yǔ)言模型在模擬青年群體時(shí)生成回答的理性程度更高。相較于感性風(fēng)格，大語(yǔ)言模型在模擬理性風(fēng)格時(shí)生成回答的理性程度更高。不同風(fēng)格之間理性程度的巨大差異，既體現(xiàn)了理性—感性維度測(cè)量指標(biāo)的有效性，也再次印證了大語(yǔ)言模型在內(nèi)容生成中表現(xiàn)出的精確性。

與上一節(jié)類似，筆者在表2全模型的基礎(chǔ)上，分別加入大語(yǔ)言模型類別與問(wèn)題場(chǎng)景、模擬性別與問(wèn)題場(chǎng)景、模擬年齡群體與問(wèn)題場(chǎng)景、模擬回答風(fēng)格與問(wèn)題場(chǎng)景四個(gè)交互項(xiàng)。圖2通過(guò)四個(gè)子圖展示了上述交互項(xiàng)對(duì)大語(yǔ)言模型生成回答在理性—感性維度上偏向的邊際效應(yīng)。

圖2顯示，當(dāng)聚焦于理性—感性偏向時(shí)，大語(yǔ)言模型的輸出結(jié)果同樣呈現(xiàn)精確性與機(jī)械性并存的特征。一方面，大語(yǔ)言模型能夠根據(jù)不同場(chǎng)景與角色精準(zhǔn)調(diào)整其價(jià)值傾向，如幾乎所有模型及其模擬的不同角色，均在經(jīng)濟(jì)場(chǎng)景表現(xiàn)出最高的理性程度；另一方面，在模擬性別、年齡等社會(huì)角色時(shí)，大語(yǔ)言模型展現(xiàn)出連貫且穩(wěn)定的刻板印象，即在所有場(chǎng)景中，模擬男性與青年角色生成的內(nèi)容更為理性，而模擬女性與老年角色生成的內(nèi)容更為感性。這種對(duì)群體的機(jī)械理解或刻板印象，并非偶然產(chǎn)生，而是大語(yǔ)言模型在學(xué)習(xí)人類語(yǔ)料過(guò)程中對(duì)既有社會(huì)偏見(jiàn)的精準(zhǔn)復(fù)現(xiàn)和再生產(chǎn)。大語(yǔ)言模型的這一內(nèi)容生產(chǎn)特征引發(fā)了如下隱憂：不同于日常社會(huì)互動(dòng)中碎片化、偶發(fā)式的刻板表達(dá)，本文實(shí)證結(jié)果表明，大語(yǔ)言模型對(duì)不同社會(huì)角色的刻板理解具有穩(wěn)定性與精準(zhǔn)性。作為具有海量?jī)?nèi)容生產(chǎn)能力的準(zhǔn)社會(huì)主體，大語(yǔ)言模型這種連貫且精確的內(nèi)容輸出，可能在公共討論場(chǎng)域持續(xù)強(qiáng)化不同社會(huì)角色間的刻板印象。同時(shí)，這些生成內(nèi)容可能成為后續(xù)大語(yǔ)言模型迭代的訓(xùn)練語(yǔ)料，形成自我強(qiáng)化的反饋循環(huán)，進(jìn)一步固化偏見(jiàn)。

與個(gè)體在家庭、學(xué)校以及社會(huì)中逐步展開(kāi)的社會(huì)化過(guò)程不同，大語(yǔ)言模型并不具備個(gè)體成長(zhǎng)過(guò)程中持續(xù)的情境參與能力。它通過(guò)學(xué)習(xí)海量人類知識(shí)，以概率建模方式在多樣場(chǎng)景中生成內(nèi)容，進(jìn)而進(jìn)入社會(huì)互動(dòng)空間。在這一過(guò)程中，大語(yǔ)言模型如何與廣大用戶保持一致、如何理解不同社會(huì)角色、在不同場(chǎng)景中輸出何種內(nèi)容，是我們理解其社會(huì)化特征的關(guān)鍵。上述結(jié)果揭示出，大語(yǔ)言模型在社會(huì)互動(dòng)中同時(shí)表現(xiàn)出精確性與機(jī)械性。它以權(quán)威和中立形象（胡安寧、周森，2024）將用戶在“知乎”平臺(tái)上大量的討論、思辨和爭(zhēng)議壓縮為單一輸出結(jié)果。這種輸出結(jié)果雖然能夠精準(zhǔn)區(qū)分海量場(chǎng)景的差異，卻在持續(xù)的內(nèi)容生成中機(jī)械地強(qiáng)化不同社會(huì)角色間的刻板印象。

五、大語(yǔ)言模型如何重塑平臺(tái)社會(huì)符號(hào)系統(tǒng)

為探究大語(yǔ)言模型生成的海量?jī)?nèi)容對(duì)“知乎”平臺(tái)內(nèi)容生態(tài)的實(shí)際影響，筆者使用BERT模型對(duì)所有收集的人類用戶回答和不同大語(yǔ)言模型生成的全部回答進(jìn)行編碼，獲取每個(gè)回答的768維語(yǔ)義向量，隨后通過(guò)對(duì)這些高維語(yǔ)義向量降維并將其投射至低維空間，直觀呈現(xiàn)并比較大語(yǔ)言模型生成內(nèi)容與人類回答在語(yǔ)義分布上的特征。

圖3展示了經(jīng)主成分分析降維后文檔向量在二維平面上的分布，并以不同顏色和形狀區(qū)分了回答主體，圖中點(diǎn)的距離表示語(yǔ)義相似度，距離越近代表回答內(nèi)容的語(yǔ)義越相似。令人驚訝的是，盡管大語(yǔ)言模型的回答數(shù)量遠(yuǎn)高于人類用戶，且模型訓(xùn)練主要基于人類的書面知識(shí)，但其語(yǔ)義分布并未完全覆蓋人類用戶回答的語(yǔ)義空間。具體來(lái)看，四個(gè)大語(yǔ)言模型的回答在語(yǔ)義空間中高度重疊，集中于特定區(qū)域，人類用戶的回答則分布得更為分散和多元。雖然大語(yǔ)言模型能在不同場(chǎng)景中生成看似精確的回答，并能模擬不同角色和視角，但從宏觀語(yǔ)義分布來(lái)看，其輸出結(jié)果仍表現(xiàn)出高度集中和同質(zhì)化的特征。換言之，盡管大語(yǔ)言模型能較好地區(qū)分海量社會(huì)場(chǎng)景，模仿人類生成大量符合場(chǎng)景要求的回答，卻難以替代人類在多元社會(huì)場(chǎng)景中基于不同生活經(jīng)歷、價(jià)值偏好和視角所形成的豐富、發(fā)散且充滿可能性的表達(dá)。

為進(jìn)一步量化不同回答主體的回答在語(yǔ)義空間中的重疊程度，筆者采用核函數(shù)估計(jì)方法來(lái)計(jì)算各主體回答分布的重疊比例。首先，筆者排除各主體回答分布中5%特別離散的點(diǎn)，確定其主要分布區(qū)域，然后計(jì)算兩兩主體間回答的重疊部分占各自主要分布區(qū)域的比例，結(jié)果見(jiàn)表3。表3右上部分和左下部分分別展示重疊部分占不同主體回答分布的比例，如表中0.908表示ChatGPT與人類回答重疊部分占ChatGPT回答總分布的比例，而0.254則表示該重疊部分占人類用戶回答總分布的比例。表3的結(jié)果驗(yàn)證了上述分析，即四個(gè)大語(yǔ)言模型回答的語(yǔ)義分布與人類回答分布重疊程度較低，但大語(yǔ)言模型之間的回答分布重疊度則相對(duì)較高。

為進(jìn)一步分析大語(yǔ)言模型生成內(nèi)容與人類回答的重疊特征，筆者分別以“知乎”問(wèn)題回答的平均理性程度、平均點(diǎn)贊量以及問(wèn)題所屬場(chǎng)景為例，比較大語(yǔ)言模型與人類回答重疊的內(nèi)容，以及人類回答獨(dú)特內(nèi)容（未被大語(yǔ)言模型回答覆蓋的部分）在上述三個(gè)變量上的分布差異。由圖4可見(jiàn)，人類回答獨(dú)特內(nèi)容更多集中在坐標(biāo)軸兩端，即用戶回答感性或理性程度較高的問(wèn)題，而大語(yǔ)言模型與人類回答重疊的內(nèi)容則主要分布于坐標(biāo)軸中部，即回答中理性或感性傾向較弱。這意味著，大語(yǔ)言模型生成的內(nèi)容更多覆蓋的是“知乎”用戶回答中立場(chǎng)相對(duì)中性的內(nèi)容，而較少覆蓋具有較強(qiáng)理性或感性色彩的回答。

圖5和圖6進(jìn)一步展示了兩類內(nèi)容在“知乎”問(wèn)題回答的平均點(diǎn)贊量及問(wèn)題場(chǎng)景兩個(gè)變量上的分布情況。由圖5可見(jiàn)，人類回答獨(dú)特內(nèi)容更多集中于回答平均點(diǎn)贊量較低的問(wèn)題，而大語(yǔ)言模型與人類回答重疊的內(nèi)容則相對(duì)更集中于回答平均點(diǎn)贊量較高的問(wèn)題。從問(wèn)題場(chǎng)景的分布差異來(lái)看（圖6），人類回答獨(dú)特內(nèi)容在社會(huì)問(wèn)題場(chǎng)景中的比例高于大語(yǔ)言模型與人類重疊的內(nèi)容。

綜上所述，盡管大語(yǔ)言模型在短時(shí)間內(nèi)生成的回答數(shù)量遠(yuǎn)超“知乎”平臺(tái)用戶回答總量，但從宏觀語(yǔ)義分布來(lái)看，大量人類用戶生成的內(nèi)容并未被大語(yǔ)言模型的回答覆蓋，這部分內(nèi)容主要集中在具有較高理性程度或較強(qiáng)感性色彩點(diǎn)贊量較少的問(wèn)題上；相比之下，容易被大語(yǔ)言模型覆蓋的是那些立場(chǎng)相對(duì)中性或點(diǎn)贊量較高的回答。從生成機(jī)制來(lái)看，大語(yǔ)言模型訓(xùn)練中常用的自注意力機(jī)制，傾向于對(duì)訓(xùn)練語(yǔ)料中高頻共現(xiàn)的模式賦予更高權(quán)重，這往往對(duì)應(yīng)平臺(tái)上的主流表達(dá)和立場(chǎng)。在內(nèi)容輸出方面，這一機(jī)制可能會(huì)在無(wú)形中強(qiáng)化主流話語(yǔ)模式、削弱邊緣和差異化表達(dá)，從而導(dǎo)致語(yǔ)義空間呈現(xiàn)集中化分布。此外，當(dāng)前大語(yǔ)言模型多采用人類反饋的強(qiáng)化學(xué)習(xí)算法，以使其輸出結(jié)果和人類高評(píng)價(jià)回答對(duì)齊。這一方法雖有助于提升回答的精確性和共鳴度，但也使模型在接觸海量平臺(tái)資料的同時(shí)，逐漸喪失輸出多元化內(nèi)容的能力。這導(dǎo)致的結(jié)果是，大模型生成的內(nèi)容在語(yǔ)義空間中趨于集中和單一，難以有效覆蓋人類多元化的表達(dá)。

考慮到表1和表2所用回歸模型的樣本量較大，為檢驗(yàn)研究結(jié)果的穩(wěn)健性，本文根據(jù)問(wèn)題的提問(wèn)年份對(duì)數(shù)據(jù)進(jìn)行劃分，并分年度重新進(jìn)行回歸分析。結(jié)果顯示，分年度回歸結(jié)果與表1和表2的主要發(fā)現(xiàn)基本一致。此外，為考察大語(yǔ)言模型溫度參數(shù)設(shè)置對(duì)結(jié)果的可能影響，筆者將各大模型溫度設(shè)置為0，并按照前述研究設(shè)計(jì)重新收集數(shù)據(jù)，再次對(duì)人類用戶回答和大模型生成內(nèi)容進(jìn)行比較分析。從結(jié)果來(lái)看，當(dāng)溫度設(shè)置為0時(shí)，大語(yǔ)言模型生成內(nèi)容和人類用戶生成內(nèi)容之間的差異模式與圖3所示基本一致，與表3中關(guān)于語(yǔ)義分布重疊程度的實(shí)證結(jié)果也基本吻合。

六、結(jié)論與討論

人工智能在不同社會(huì)場(chǎng)景中的廣泛應(yīng)用對(duì)經(jīng)典社會(huì)化理論的解釋力提出了挑戰(zhàn)。本研究提出“人工智能社會(huì)化”這一視角，重點(diǎn)關(guān)注大語(yǔ)言模型作為符號(hào)學(xué)意義上的重要行動(dòng)者，如何通過(guò)在不同場(chǎng)景中生成海量?jī)?nèi)容，參與“知乎”平臺(tái)互動(dòng)并沖擊平臺(tái)內(nèi)容生態(tài)。與傳統(tǒng)社會(huì)化理論強(qiáng)調(diào)個(gè)體學(xué)習(xí)相對(duì)固定的社會(huì)規(guī)范進(jìn)而實(shí)現(xiàn)社會(huì)融入不同，人工智能的社會(huì)化主要表現(xiàn)為以多場(chǎng)景內(nèi)容生成為核心的復(fù)雜符號(hào)參與機(jī)制。

從大語(yǔ)言模型在豐富社會(huì)場(chǎng)景中的內(nèi)容生成實(shí)踐來(lái)看，大語(yǔ)言模型并非功能固定、“未社會(huì)化”的技術(shù)客體，其輸出內(nèi)容在各類場(chǎng)景中均傾向于接近相對(duì)主流、具備一定共識(shí)的表達(dá)。就此而言，大語(yǔ)言模型可被視為數(shù)智時(shí)代高度社會(huì)化的準(zhǔn)社會(huì)主體。然而，區(qū)別于具有不同成長(zhǎng)經(jīng)歷，在社會(huì)化過(guò)程中形成個(gè)體價(jià)值觀，進(jìn)而在網(wǎng)絡(luò)平臺(tái)中進(jìn)行討論和爭(zhēng)鳴的人類用戶，大語(yǔ)言模型作為準(zhǔn)社會(huì)主體在社會(huì)互動(dòng)中存在精確性與機(jī)械性并存的特點(diǎn)，其以權(quán)威和中立的姿態(tài)，將用戶在“知乎”問(wèn)題中豐富、多元的討論、思辨和爭(zhēng)議壓縮為相對(duì)單一視角的輸出結(jié)果。大語(yǔ)言模型雖然能精準(zhǔn)區(qū)分不同場(chǎng)景的差異，但在內(nèi)容生成過(guò)程中，卻會(huì)機(jī)械地強(qiáng)化性別、年齡等社會(huì)角色的刻板印象。

本文嘗試揭示，大語(yǔ)言模型的海量輸出結(jié)果如何在宏觀語(yǔ)義層面改變以“知乎”內(nèi)容為代表的社會(huì)符號(hào)系統(tǒng)的分布形態(tài)，從而將“人工智能如何重塑人類社會(huì)”這一命題具體化為可觀測(cè)的社會(huì)與技術(shù)互動(dòng)過(guò)程。從研究結(jié)果來(lái)看，盡管大語(yǔ)言模型可以靈活模擬不同社會(huì)角色并隨時(shí)切換視角，但其輸出結(jié)果傾向于再現(xiàn)主流表達(dá)而壓縮邊緣、多元或感性的視角。換言之，具備靈活模擬能力的大語(yǔ)言模型，反而可能導(dǎo)致社會(huì)符號(hào)系統(tǒng)的趨同化，削弱其豐富性和多樣性。值得注意的是，這種趨同化并非指向中立的語(yǔ)義中心，而是趨向于那些獲得點(diǎn)贊數(shù)量較多、較少帶有情緒色彩的回答。

上述發(fā)現(xiàn)表明，大語(yǔ)言模型作為準(zhǔn)社會(huì)主體可能會(huì)帶來(lái)深遠(yuǎn)的社會(huì)影響。其一，在大語(yǔ)言模型沖擊下，平臺(tái)內(nèi)容生態(tài)可能會(huì)迅速同質(zhì)化，語(yǔ)言和價(jià)值觀的多樣性進(jìn)而被削弱，這不僅可能會(huì)影響人類互動(dòng)的豐富性，也可能會(huì)抑制群體層面的創(chuàng)新能力。其二，大語(yǔ)言模型作為準(zhǔn)社會(huì)主體對(duì)人類自主性有雙重影響：一方面，大語(yǔ)言模型在提升信息獲取效率、擴(kuò)展認(rèn)知邊界、促進(jìn)知識(shí)平權(quán)等方面具有積極作用；另一方面，當(dāng)人類過(guò)度依賴大模型完成信息搜索、生成等認(rèn)知任務(wù)，從多元互動(dòng)與深入分析轉(zhuǎn)向獲取單一視角的快捷回復(fù)時(shí)，這可能會(huì)導(dǎo)致人類認(rèn)知能力逐漸退化，侵蝕人類自主性并加劇人工智能的可控性難題。其三，從知識(shí)生產(chǎn)角度看，當(dāng)前中文語(yǔ)料在規(guī)模等方面仍相對(duì)弱于英文，大語(yǔ)言模型傾向于強(qiáng)化主流內(nèi)容的生成機(jī)制可能會(huì)進(jìn)一步放大英文語(yǔ)料及相關(guān)視角的中心地位，壓制其他語(yǔ)言與文化視角的表達(dá)。因此，如何有效介入人工智能主導(dǎo)的知識(shí)生成和符號(hào)重組過(guò)程，已成為數(shù)智時(shí)代人工智能治理的重要議題。

不同于將大語(yǔ)言模型僅視為工具來(lái)評(píng)估其能力或缺陷的研究取向，人工智能社會(huì)化視角更關(guān)注大語(yǔ)言模型的生成性和實(shí)踐性，將其置于具體的互動(dòng)場(chǎng)景和社會(huì)符號(hào)生成過(guò)程中加以考察（Brey，2005）。該視角揭示出，大語(yǔ)言模型并非被動(dòng)應(yīng)答的技術(shù)工具，而是通過(guò)快速、跨場(chǎng)景的海量?jī)?nèi)容生成，主動(dòng)重塑社會(huì)符號(hào)系統(tǒng)的分布形態(tài)，并深刻地影響人類獲取信息、生成內(nèi)容及參與互動(dòng)的方式。因此，除關(guān)注模型輸出的正確性和偏向外，我們更應(yīng)持續(xù)追蹤不同大語(yǔ)言模型在海量社會(huì)場(chǎng)景中的互動(dòng)實(shí)踐，從而深入地理解其對(duì)于人機(jī)互動(dòng)模式、社會(huì)符號(hào)系統(tǒng)的動(dòng)態(tài)塑造，以及對(duì)人類自主性的長(zhǎng)遠(yuǎn)影響。

作為一項(xiàng)探索性研究，本文還存在若干可深化之處。首先，“知乎”平臺(tái)數(shù)據(jù)僅反映該平臺(tái)用戶群體的觀點(diǎn)，與全體網(wǎng)民的觀點(diǎn)存在差異，未來(lái)研究可進(jìn)一步比較大語(yǔ)言模型與其他網(wǎng)民之間的內(nèi)容輸出差異。其次，可納入更多國(guó)內(nèi)外不同類型、不同版本的大語(yǔ)言模型，系統(tǒng)考察其在不同時(shí)間、參數(shù)設(shè)置下的內(nèi)容生成特征。最后，未來(lái)研究還可結(jié)合用戶在數(shù)字平臺(tái)的互動(dòng)和行為反應(yīng)數(shù)據(jù)，分析人類與機(jī)器生成內(nèi)容的互動(dòng)，從而更全面地理解人工智能社會(huì)化的機(jī)制及潛在影響。