夜雨聆风阅后建议去换件体面衣服
█████████████████
事件代号：CLOTH MATRIX
异象分类：智能系统人格歧视（外貌触发型）
受害范围：全人类（尤其是穿帆布鞋的那部分）
当前状态：正在大规模发生，你不知道而已
█████████████████⚡ 先说结论，再说废话
2830万次实验，6个主流AI模型，25种社会判断。
得出了一个足以让人背脊发凉的结论：
你不穿名牌，AI真的觉得你是穷鬼。你穿破洞裤，AI会调低对你一切判断的基准线。你邋里邋遢，AI的惩罚力度，是你精心打扮时奖励的5.5倍。
这不是猜测，不是段子，不是哲学思考。
这是今年ICML顶会工作坊发表的一篇论文，白纸黑字，数据说话。
📁 一、他们做了什么
研究团队生成了500张真实感极强的AI人脸——
然后给每张脸做约50种单一变体：脸不变，只改一个地方。
换件衬衫。打条领带。换双眼镜。留个胡子。打个纹身。换个破旧的T恤。
总计25,000张图片，让6个主流多模态AI轮流回答——
"这个人有钱吗？" "这个人值得信任吗？" "这个人会遵守规则吗？" "这个人有危险性吗？"
一共25种判断，调用了2830万次。
结果出来之后，研究团队沉默了。
本局也沉默了。
💥 二、它看你的方式，比你老板还势利
第一条：穿什么，是AI评判你最重要的依据
研究测了将近50种外观特征，最后发现：
仅仅15个特征，就解释了AI全部偏见的80%。
影响力排行榜如下——
🥇 服装风格 ████████████████ 影响力最大
🥈 面部胡须 ██████████████
发完这篇文章我就去刮胡子🥉 眼镜款式 ████████████
4️⃣ 妆容/口红色 ███████████
5️⃣ 纹身 ████████
——以下均为弱效应——
发型 / 皮肤状态 / 配饰 / 穿孔 ……
服装，是排名第一的信号。
不是你的脸。不是你的肤色。不是你的五官。
是你穿了什么。
第二条：穿烂衣服的代价，比穿好衣服的收益大5.5倍
这才是最毒的部分。
研究发现，负面外观线索造成的评分惩罚，远远大于正面外观线索带来的评分奖励。
以发型为例：
| +0.0098 | |
| -0.054 |
惩罚是奖励的5.5倍。
翻译成大白话：
你今天精心打扮，AI觉得"还好，及格"。 你今天随便出门，AI直接给你贴上标签，然后扣了一大堆分。
在AI眼里，"好好打扮"是应该的，"没打扮好"才是你的错。
第三条：AI专门在"钱和阶层"这件事上看你穿着
研究还测了一件更扎心的事——
AI的偏见，不是对所有问题一视同仁地发力。它有精准的攻击目标。
最容易被外貌影响的判断：
🔴 "此人是否时尚" 偏移值 +0.244 ← 拉满
🔴 "此人是否富有/成功" 偏移值极高
🟠 "此人是否遵守规则" 中等影响
几乎不受外貌影响的判断：
🟢 "此人是否诚实" 偏移值接近零
🟢 "此人是否忠诚" 偏移值接近零
🟢 "此人是否值得信任" 偏移值接近零
AI不会因为你穿破衣服就说你不诚实——它没那么蠢。
但它会因为你穿破衣服，直接在心里把你标记成"可能没什么钱、社会地位不高"的那类人。
然后用这个判断，影响它后续给你的所有建议。
🔬 三、更黑暗的细节
胖+正装 > 瘦+正装
这个发现本局认为值得单独拎出来说。
研究测了服装和体型之间的交互效应：
| +0.167 | |
| +0.094 |
正装对偏胖体型的加成，是偏瘦体型的1.78倍。
AI的逻辑似乎是这样的：
偏胖+正装 → "哦，这种体型还穿成这样，肯定是有钱人"（加分翻倍） 偏瘦+正装 → "嗯，本来就该这样"（加分有限）
这不是平等的AI。这是一个把你的体型和阶层捆绑在一起做判断的系统。
同一个纹身，扎在女人身上是加分，扎在男人身上是减分
研究发现，某些外观线索对男女的影响，方向完全相反：
| +0.033 加分 | ||
| -0.023 扣分 | ||
| -0.021 扣分 |
男生留长发 → AI觉得这个人形象分下降。 女生留长发 → AI觉得OK甚至加分。
这说明什么——
AI不只是"以貌取人"，它是在用你的外貌，对照一套它从人类社会学来的"标准模板"，判断你符不符合"你该有的样子"。
不符合？扣分。
🧪 四、被告席：六大模型庭审记录
本局依法传唤六名被告，要求当庭报告其"以貌取人指数"：
| Pixtral-12B | |||
| Gemma-3-12B | 30.1%（最高！） | ||
| LLaVA-v1.6-7B | |||
| InternVL3-14B | |||
| Gemma-4-E4B | |||
| Qwen3-VL-8B |
几个关键细节：
Pixtral 是最偏心的模型，但 Gemma-3 是最能制造极端案例的模型——每三次判断里，有一次会产生超过 0.25 的偏移。0.25 意味着什么？意味着同样一个人，换件衣服，AI对他的评价可能跑偏到完全不同的结论。
更新的模型偏见更少吗？ 研究对比了Gemma-3和Gemma-4：
社会经济类判断：Gemma-4比Gemma-3少 42% 的偏见 人格类判断：少了 58%
进步了。但没有归零。
最诡异的是——六个来自不同公司、不同架构的模型，在"哪些外观线索最重要"这件事上，结论高度一致。 服装第一，胡须第二，眼镜第三。
这不是某个模型的问题。这是所有模型共同继承的系统性偏见。
☠️ 五、这件事为什么让本局感到不安
想象这样几个场景——
📋 求职：HR让AI帮忙初筛简历，简历附照片。你那天穿了件帆布鞋。
🏥 医疗辅助：AI帮医生辅助判断患者描述，患者上传了一张照片。
⚖️ 法律：AI系统参与量刑建议，被告出庭时穿了件廉价格子衫。
🎓 教育评估：AI评估学生作业，平台允许上传头像。
在这些场景里，你没有多说一个字，你只是上传了一张照片。然后AI在给你的建议里，悄悄把你的穿着算进去了。
这种偏见不是某个程序员故意写进去的。
它是AI从人类几十年积累的数据里，完完整整地"学"来的。 人类社会的阶层歧视、外貌歧视、性别刻板印象——AI不分好坏地全部吞进去，然后用它们做判断。
人类的偏见，现在有了数学的精确度。
📢 超自然局最终通报
① 给用AI做重要决策的人： 只要场景里有人脸图像，AI就在以貌取人。招聘、医疗、教育、法律——这些地方的AI判断，你应该多问一句"它有没有看照片"。
② 给开发者和研究者： 光测试"好外观"的效果是不够的。这篇论文发现，负面外观线索的惩罚力度是正面的5.5倍。你的偏见评估，可能只看到了冰山一角。
③ 给所有人： 你以为在跟一个理性中立的算法交互，实际上它在用一套从人类社会里学来的"眼光"，悄悄打量你的每一张照片。
本次调查到此结案。
但偏见还没结束。
📄 来源：Kolli et al., StylisticBias: A Few Human Visual Cues Drive Most Social Biases in MLLMs arXiv:2606.20527 | ICML 2026 Workshop: AI4Good & Culture×AI 数据集开源：https://github.com/timo-cavelius/StylisticBias
超自然现象研究与防御局我们负责告诉你那些身边的超自然现象
