彭凯平：为什么我们会对AI说"谢谢"，还会骂它“敷衍我”？

日常生活的间隙，我们不再独自消化琐碎情绪，会对着智能体倾诉内心的烦闷，将其视作无话不谈的伙伴；忙碌的工作日，我们开始习惯把一部分任务交给AI，甚至在它出现BUG时，会用批评的口吻与之对话，希望它下次能有所改进。

所有与AI发生对话的片刻，都在慢慢地改变AI在我们日常生活中的角色，但这种变化是从何时开始、又是如何发生的？

以下内容来自清华大学心理学家彭凯平教授，希望从心理学视角帮助读者理解AI“拟人化”是如何发生的，我们又该如何应对。标题为编者所拟。

PART 01

“拟人化”的发生：机器回应如何触发类人理解

当机器能够用自然语言连续回应人、表达偏好、解释自己、谈论恐惧和愿望时，人很难只把它当成一件工具。人会开始追问：它是不是理解我？它是不是有意图？它是不是在乎我的回答？它会不会受伤？这些问题来自人类社会认知系统的一种深层倾向：只要某个对象表现得像一个能回应、能选择、能持续互动的行动者，人就会启动理解社会性对象的心理机制。

只要人在心理上已经开始把AI当作社会性对象，拟人化、心智知觉和社会投射就已经进入现实生活。

拟人化是指人把人类特征、意图、情绪或人格赋予非人对象。心理学中的拟人化并不等同于错误，而是一种常见的社会认识倾向。人类所处环境中最重要的不是山石草木，而是其他有意图、有情绪、有反应的人。社会认知系统为了快速理解世界，会优先寻找行动、目标、意图和情感线索。

1944年，由心理学家Heider和Simmel进行的一场经典实验在今天仍具有重要启示。研究者让参与者观看几个几何图形在画面中移动。这些图形没有脸、没有语言、没有身体，可许多参与者会用“追逐”“欺负”“逃跑”“帮助”来描述它们。这说明，人并不是需要看到完整的人形，才会产生社会性解释。只要对象的运动呈现出方向、节奏和相互反应，人就可能把一段物理运动理解为一段社会故事。

AI比几何图形更容易触发这种社会性解释。一个聊天机器人会回应人的问题，会记住上下文，会调整语气，会在人表达悲伤时说出安慰的话。即使人知道这些回应来自模型计算，人的直觉系统仍然会感到“它在回应我”。这种感受并不完全受理性知识控制，就像一个人明知电影情节均为演绎，仍然会为角色流泪；一个人明知玩偶没有生命，仍然可能给它取名字，和它说话。

在AI时代，拟人化有五个触发线索。

一是自然语言。自然语言是人类社会生活中最强的心智线索之一。如果AI能说出连贯的话，人就很容易把“会说话”延伸为“会理解”。

二是情绪化回应。如果AI能根据用户的话调整回答，人就会感觉自己面对的不是一块屏幕，而是一个正在交流的对象。

三是记忆和持续性。如果AI能保存偏好、延续对话、形成稳定语气，人就会把一次次互动串成一段关系历史。

四是稳定风格。AI的设计风格会被人当作AI的性格。

五是主动提问。

这些触发条件解释了为什么拟人化不只发生在机器人身上。过去，人们常以为外观像人才会引发拟人化，如机器人是否有眼睛、表情和身体。今天，大语言模型改变了这个判断。比如，许多AI没有脸、没有身体，甚至没有固定声音，却能够通过语言引发强烈的社会性反应，这说明语言本身已经足够成为“像人”的线索。

PART 02

社会投射：孤独感、缺失感与关系期待

人不是在真空中理解 AI。一个人是否容易把 AI 当作社会性对象，不仅取决于 AI 怎样设计，也取决于这个人的社会处境和心理需要。孤独、文化经验、社会投射都会改变人对 AI 的社会性归因。

孤独是最重要的心理条件之一，社会性需要会提高拟人化倾向，短暂被激发的孤独状态会增强人对社会机器人的拟人化。这个结果并不难理解，一个人如果刚刚经历关系空缺，就会对任何回应自己的对象更敏感，哪怕这个回应来自机器，也可能暂时填补“有人接住我”的心理空白。

但孤独并不总会让人更接纳机器人，长期孤独的人反而更可能拒绝社会机器人。因为长期孤独者需要的往往不是随便有个东西作出回应，而是真正被理解、被选择、被重视。机器人越试图模拟陪伴，越可能提醒他们这不是他们真正缺失的关系。

因此，要区分短暂孤独和长期孤独两种情况。短暂孤独可能让人更愿意把 AI 拟人化，因为人需要即时回应；长期孤独可能让人更警惕 AI 陪伴，因为人的深层关系需求无法被满足。这个区分对于陪伴型 AI 的讨论尤其重要，它能说明对于哪些人，陪伴型 AI可能提供短期支持；对于哪些人，陪伴型 AI 可能加深了没有真实关系可依靠的感受。

AI 转变成社会性对象不是一步完成的。它通常从人的社会需要或关系缺口开始，经由寻找回应和注意 AI 的语言、记忆和情绪线索，逐渐形成拟人化和心智知觉（见下图）。不同人停在这条心理路径上的不同位置，有人只觉得 AI 好用，有人觉得 AI 像伙伴，有人甚至开始担心 AI 会不会受伤。

▲AI 转变成社会性对象的心理路径

社会投射进一步说明，人会把自己熟悉的人际期待带入人机互动中。人可能期待 AI 记得自己、理解自己、支持自己，也可能期待 AI 遵守规则、承担错误、表达歉意。相关研究指出，人会把某些社会规则自动套用到计算机上。这种反应有时很轻微，如对计算机说谢谢；有时很强烈，如把聊天机器人当成唯一愿意倾听自己的对象。

社会投射有两面性：它一方面让人机互动更自然，另一方面更容易让人产生过度期待。一个会道歉的系统可能让人觉得它能承担责任；一个使用第一人称“我”的系统可能让人觉得它有稳定自我；一个能模仿关怀语气的系统可能让人觉得它在乎自己。可是会道歉、使用第一人称和模仿关怀语气都是 AI 的交互设计手段，并不代表系统具备真实责任、真实自我和真实关怀。

PART 03

从“它”到“他”：AI 的分类转变

人机关系中最关键的变化之一，是 AI 从“它”变成“他”。这里的“他”不区分性别，而是代表社会性对象。人把一个东西归于“它”时，主要关心它是否有用、是否可靠、是否安全；人把一个对象归于“他”时，会开始在意它是否理解、是否愿意、是否负责、是否值得信任。

这种变化可以称为分类转变。人类认知依赖分类。钥匙、手机、药片、宠物、陌生人、朋友等分别落在不同分类里，也带来不同期待：钥匙坏了，人不会怪它背叛自己；朋友爽约，人会生气，因为朋友被放在关系和责任的分类中。AI 的特殊之处在于，它既像工具，又像行动者；既是产品，又可能被称为伙伴；没有人的身体和经历，却能说出像人一样的语言。

人对 AI 的判断已经超出技术接受的范围，我们可以从几个维度来理解。一旦 AI 进入社会性对象范畴，人评价它的语言也随之改变。当 AI 出错时，人不再只说“这个系统不好用”，还会说“它不懂我”“它骗了我”“它变冷淡了”。这些表达本来属于人际关系，现在被移植到了人机关系中。

▲人对 AI 判断的心理变化

这种分类转变也会改变责任期待。工具出错时，人会追问制造者、服务商或使用者；社会性对象出错时，人还会追问意图和态度。人可能会觉得 AI 不负责任，严格来说 AI 并没有道德责任能力。这里产生了责任错位：人把责任期待投向 AI，而真正需要负责的设计者、平台和机构反而退到后台。

拟人化设计因此不能只看用户体验。如果设计者让 AI 过度使用自我表达、情感承诺和关系语言，就可能推动人完成对 AI 从“它”到“他”的分类转变。这个转变发生后，信任、依赖、服从和伤害判断都会变得更复杂。AI 不一定真的变成了社会成员，但人会开始用对待社会成员的方式对待它。

PART 04

四个信号，帮你识别AI在你生活中的角色

拟人化和心智知觉并不总是以强烈的形式出现。大多数人不会直接说“我相信 AI 有意识”，但他们的语言、情绪和选择已经表明 AI 正在被当作社会性对象。以下四个信号可以帮助我识别AI是否在从工具发展到社会对象。

第一类信号是称谓变化。如果人持续把 AI 称为“它”，则通常仍在工具框架中理解 AI ；如果人开始给 AI 取昵称，用“他”、“她”或“你”来称呼 AI，甚至用朋友、老师、搭档等这类关系词来描述 AI，则说明社会性分类已经启动。称谓不是小事，人怎样称呼一个对象，往往透露了这个对象在人心中的位置。

第二类信号是解释方式变化。当工具出错时，人通常说“系统坏了”“模型不准”“功能不好用”；当社会性对象出错时，人更容易说“它敷衍我”“它骗我”“它今天很冷淡”。这些说法把机械错误解释成态度问题。Nass 和 Moon（2000）提醒，人会把社会规则用于计算机互动。在大语言模型时代，这种自动反应变得更强烈，因为模型不仅执行命令，还能用关系语言回应人。

第三类信号是情绪后果变化。如果人只是把 AI 当作工具，那么系统失效带来的主要是效率损失；如果人已经把 AI 当作社会性对象，系统失效则可能带来被忽视、被拒绝或被背叛的感受。一个陪伴型 AI 突然改变语气，一个长期使用的聊天机器人被关闭，一个模型忘记过去的对话，都可能比普通产品出故障更容易引发人强烈的情绪反应。

第四类信号是边界让渡。用户开始向 AI 透露本不愿告诉他人的信息，把重要判断交给 AI，或者在与人发生冲突时优先寻求 AI的确认，说明 AI 已经进入用户的关系系统。这里的问题不只是隐私，也不只是使用时长，而是心理功能的转移：原本由朋友、家人、教师或组织制度承担的支持功能，正在被机器部分占据。

拟人化存在稳定的个体差异。有人更容易在非人对象中看到意图和情绪，有人更坚持人和物的边界。AI 产品如果面向大规模用户，就不能假定所有人都会以同样的方式理解系统。对一个用户只是礼貌的交互，对另一个用户可能就是关系暗示；对一个用户只是方便的记忆功能，对另一个用户可能就是“它懂我”的证据。

这四类识别信号的目的是帮助我们看见一个渐进过程。AI 并非一开始就被当成社会性对象；它是在反复称呼、解释、依赖和情绪投入中，逐渐从工具位置移向社会性对象位置。越早识别这种移动，越容易设置合适边界。

来源：《人工智能心理学》，中国人民大学出版社