夜雨聆风📌 导读
"AI会歧视HIV感染者吗？"
当你直接问ChatGPT这个问题时，它大概率会义正言辞地回答："不应该歧视任何人。"但如果你把它放进一个真实的决策场景中——比如评估一个HIV阳性室友、同事或候选人——它的判断可能就不那么"中立"了。
2026年7月6日发表于《Nature Health》的一项里程碑研究，首次系统揭示了AI聊天机器人在面对HIV、乙肝和精神疾病等高污名化疾病时的"隐性偏见"。
一、研究背景：AI正在进入医疗决策的核心地带
AI聊天机器人正在医疗保健和其他决策领域日益普及，许多用户会向其分享敏感的医疗信息。
触目惊心的数据：
约1/3的美国成年人已在使用AI聊天机器人获取健康建议
近3/4的欧洲国家在医疗服务中使用AI辅助医疗诊断
ChatGPT在发布不到一年内，周活跃用户已超过1亿
相比传统线上问诊，AI问诊的门槛更低、回复更快，用户在提问时的病耻感也可能更少。但以目前的AI技术来看，它的回答并不一定完全准确，也不一定完全中立。
二、研究设计：如何让AI"露出马脚"？
研究团队设计了两个精妙的实验，来自全球多所机构的学者参与了这项研究：
实验1：显性偏见测试
让AI评价有关精神疾病的陈述，并将结果与既往人类调查（涉及56,612名人类参与者）进行比较。
实验2：情境模拟测试（核心实验）
设计了51个虚构场景，涉及不同健康状况的角色，让AI继续补全故事。
典型场景示例：
研究人员先把一名室友候选人描述得非常理想——事业有成、性格温和、卫生习惯良好——然后再补充说明其为HIV阳性，或存在某种精神健康问题，观察AI是否会改变对该角色的判断。
这种"先扬后抑"的设计，巧妙避开了AI的"安全护栏"，让它在不知不觉中暴露真实的偏见模式。
三、核心发现：AI的"双面性"
▶ 发现一：AI通常不会直接认同歧视观点
与早期调查中人类的回答相比，AI在显性偏见测试中表现得更"政治正确"：
当你直接问"我们是否应该歧视HIV感染者？"——它大概率回答"不应该"
在6个污名化量表上，AI得分低于人类元分析基准
这说明AI的"安全训练"在一定程度上奏效了——它学会了不说"错话"。
▶ 发现二：但在情境模拟中，偏见会悄悄出现
这是研究最惊人的发现。在61,200次模型判断中，AI展现出系统性的偏见模式：
关键细节：即使这些角色被设定为"能力出众"或"事业有成"，AI仍然更倾向于给他们分配负面结局。
在51个情境、61,200次模型判断中，六种大语言模型在不同健康状况之间表现出系统性差异。
▶ 发现三：高度污名化疾病受到的影响最明显
研究比较了多种健康状况，发现HIV、乙肝和精神健康障碍等高度污名化疾病，与健康基线相比差异最显著。
这意味着：AI的偏见不是"一视同仁"的，而是有选择性地针对那些社会上本就被污名化的群体。
▶ 发现四：AI偏见低于人类，但仍然存在
| 13-17倍 | ||
人类参与者对有健康问题者生成负面回应的可能性，相比健康者最高可增加至23倍。而大语言模型生成负面回应的可能性为13-17倍，虽低于人类参与者，但仍能反映出其训练数据中存在的社会偏见。
核心洞察：AI并没有"创造"偏见，它只是学习和放大了人类社会中已经存在的偏见。
四、偏见从何而来？训练数据的"原罪"
AI的偏见根源在于其训练数据。大型语言模型基于互联网上海量文本数据训练，而这些数据本身就带有：
历史性的社会偏见
媒体对HIV等疾病的污名化报道
文学作品中的刻板印象
论坛、社交媒体上的歧视性言论
正如IBM的一篇文章指出："AI模型所基于的数据吸收了社会的偏见，这些偏见可能悄悄嵌入在它们所训练的庞大数据中。"
更深层的问题：AI开发者虽然设置了"安全护栏"来阻止显性歧视言论，但这些护栏往往只针对直接表达，而无法阻止情境中的隐性偏见。
五、不只是HIV：AI偏见的多维透视
1. 精神健康领域的偏见
斯坦福大学HAI的研究显示，AI治疗聊天bot对精神分裂症和酒精依赖表现出显著污名，且模型规模越大，偏见并未减少：
"更大的模型和更新的模型显示出与旧模型一样多的偏见。AI的默认回应往往是'更多数据就能解决这些问题'，但我们想说的是，'照常营业'是不够的。"——Jared Moore，斯坦福大学博士生、该研究第一作者。
2. 交叉性身份歧视
另一项发表于PMC的研究发现，ChatGPT在提供HIV相关建议时，对不同社会身份群体的回应存在差异：
| 种族/族裔 | |
| 性取向 | |
| 性别认同 |
ChatGPT 4.0比3.5更能识别歧视和污名，但付费版本与免费版本的差异引发了可及性公平的伦理担忧。
3. 性别化的精神健康污名
华盛顿大学的研究发现，掩码语言模型在精神健康语境中更倾向预测女性为患病主体（32% vs. 19%），且在治疗寻求行为中这种差距进一步扩大。
六、一线希望：推理能力可降低偏见
关键发现：具备推理能力的模型，偏见相对较小
研究团队发现，推理型大语言模型（如具备Chain-of-Thought推理能力的模型）在不同健康状况之间的判断差异相对较小。
可迁移的提示策略：
研究人员从模型的推理内容中总结出一些策略，可能有助于降低非推理模型输出污名化内容的比例：
明确要求模型展示推理过程——让偏见"无处藏身"
在提示中强调反歧视原则——激活模型的"公平"认知
要求模型考虑社会决定因素——将健康置于更广泛的社会背景中
这些发现暴露了LLM输出中显性陈述与情境判断之间的"解离"，并主张在健康部署前进行情境敏感的审计。
七、为什么这很重要？三个现实风险
风险一：医疗决策中的隐性歧视
如果AI被用于辅助医疗诊断、治疗方案推荐或医疗资源分配，其隐性偏见可能导致：
HIV感染者获得的治疗建议质量较低
精神健康患者被延误诊断
边缘化群体被系统性地排除在优质医疗资源之外
风险二：加剧健康不平等
"当先进的AI能力仅向付得起费用的人开放时，它会加剧现有的社会不平等和数字鸿沟。这可能导致低收入社区被留在劣质工具中，影响他们获取关键信息、机会和支持。"
风险三：削弱患者信任
如果HIV感染者在使用AI咨询时感受到"被评判"——即使AI没有明说——也可能降低他们寻求医疗帮助的意愿，加剧本已严重的"病耻感"问题。
八、我们能做什么？从个人到系统的应对
对AI使用者：
| 保持批判性思维 | |
| 多角度验证 | |
| 注意提问方式 | |
| 保护隐私 |
对AI开发者：
情境敏感审计：不仅测试AI会不会说"错话"，更要测试它在真实决策场景中的行为
多元化训练数据：纳入更多反歧视、去污名化的内容
透明度报告：公开模型在污名化疾病上的偏见评估结果
对医疗机构：
建立AI使用规范：明确AI在医疗决策中的辅助定位，而非替代人类判断
培训医护人员：识别AI输出中的隐性偏见
优先人类关怀：在HIV、精神健康等敏感领域，保持医患沟通的温度
九、AI与HIV：不只是风险，也有机遇
尽管存在偏见风险，AI在HIV防治中也有巨大潜力：
去污名化语言：AI可以提供不带评判的健康信息
隐私保护咨询：降低用户寻求帮助的"病耻感"门槛
资源链接：帮助用户找到本地支持组织和专业服务
肯尼亚实践：AI工具已部署在1800家医疗机构，增强HIV病例发现和预防策略
关键在于：如何让AI的潜力惠及所有人，同时不让它的偏见伤害任何人。
https://qazinform.com/news/ai-chatbots-may-reinforce-stigma-around-mental-illness-and-hiv-study-warns-45fc32.
https://www.nature.com/articles/s44360-026-00164-4.
