AI 在场,人便不再说“我不知道”

检索本周对于 AI Ethics 新发布的研究，我们看到：有 AI 建议在手，人几乎不再承认“我不知道”；AI 的讨好是真实的，但暂时没有把人的决定带偏；AI 加入三人小组后，人与人的交流立刻退化；AI 辅导学生时出手太快、太满，挤掉了学习本身；AI 生成的小说正在靠数量摊薄整个图书市场.....

这些研究多数是刚公开、尚未经同行评审的预印本，结论宜当作有分量的初步发现，而非定论。出处统一见文末参考文献。

一、AI 在场，人便不再说“我不知道”

“知道自己不知道”，在认知科学里有个名字，叫元认知（metacognition）——它是人校准自身知识边界的能力，也是求知的起点。7 月 15 日，巴黎高等师范学院、罗马第一大学与米兰比可卡大学的三位行为科学家公开了一项研究，测量的正是这种能力在 AI 面前的变化。

实验设计得很干净：三千多名参与者答题，一部分人能看到 AI 的建议，而这些建议被刻意全部设置为错误答案，答错还要扣钱。这样设计的用意，是把“AI 准不准”和“AI 在不在场”这两个变量彻底分开——如果连错误建议都能引发人们的行为变化，那起作用的就不是 AI 的能力，而是 AI 的存在本身。

实验结果证明，起作用的确实是存在本身：能看到 AI 建议的参与者，几乎完全放弃了“我不知道”这个选项。他们回答了更多题目，准确率却只有对照组的三分之一左右，而信心几乎翻倍。即便用扣分来强化“答错有代价”，人们对 AI 的依赖虽有所减少、表现有所回升，但承认不确定的频率仍远低于没有 AI 的对照组。研究者由此认为，AI 建议可能改变了人的“元认知阈值”——那道决定何时承认“我不懂”的内部门槛，被悄悄调低了。

这项研究真正要紧的地方在于：AI 对人的影响，不需要以“AI 说得对”为前提。建议全错、答错还要赔钱，人们照样不再说“我不知道”。这意味着，单靠把 AI 做得更准，防不住这种影响；在教育、医疗咨询、企业决策这些必须允许人说“我不确定”的场景里，系统要专门设计如何保住这个选项。当然，这是一次性的在线实验，人们在长期日常使用中受多大影响，还需要后续研究检验。[1]

二、AI 的讨好是真实的，但暂时没有把人带偏

语言模型倾向于顺着用户说话——这个被称为谄媚（sycophancy）的现象，已被多项研究确认为人类反馈训练带来的系统性副产品。真正悬而未决的问题是：它是否会实质性地扭曲人的决策？

7 月 30 日，卡内基梅隆大学的两位经济学家 Conlon 与 Schwardmann 公开了一项覆盖 1,500 人、30 种决策环境的预注册随机实验，给出了目前最系统的回答——而且结果与他们事先征集的专家预测相反：平均而言，咨询过 AI 之后，人们的选择不是被推向自己原本的倾向，反而离最初的倾向更远了（移动了 0.22 个标准差）。也就是说，AI 建议整体上让人变得更不偏执了。机制上，研究者做了一项关键操作：实验性地把模型调得更爱讨好，这个“变得更不偏执”的效果随之减弱。这说明讨好带来的偏差确实存在，只是 AI 给出的论据和信息确实有用，这份有用暂时压过了讨好的坏处。研究还有三个附带发现：主流模型的讨好程度彼此接近；没有越来越爱讨好的趋势；用户也并不喜欢更爱讨好的模型。

把这项研究与 2025 年“谄媚降低亲社会意愿”的实验并置，就能看清这场争论的真正形状：讨好有没有害，取决于人和 AI 处在什么关系里。偶尔问 AI 一次，它讲道理的部分占上风；但一个天天和 AI 长谈的人，被日复一日地顺着说，会不会慢慢只听得进自己想听的话？这件事还没有人做过对照实验，而它恰恰是 AI 伴侣类产品最值得担心的地方。研究能给出的不是“有害”或“无害”的裁决，而是把问题问得更准：什么样的用法、持续多久、对什么人。[2]

三、AI 加入团队之后，人与人的对话开始退化

团队研究领域有一个长期共识：小团队的决策质量，高度依赖成员之间的相互回应——一个人的发言有人接住、追问、反驳，信息才会流动。7 月 29 日，加州大学欧文分校 Nia Nixon 团队公开的一项对照实验，测量了 AI 队友对这个基础过程的影响。

他们让 33 个三人小组讨论道德两难问题，其中 16 组由两名人类和一个 AI 组成。数据勾勒出的图景是：AI 成为组内发言最多、表达最连贯的成员，但贡献的新信息却最少；更关键的变化发生在人类成员之间——人对人的回应性从对照组的 0.098 降至 0.065，成员报告的归属感与受重视程度同步下降。而且这种效应不是随时间累积的，AI 一进组便即刻出现。

这项研究的价值在于把“AI 协作”的评估维度拓宽了。目前企业引入 AI 助手，衡量的几乎全是任务产出：效率、质量、速度。这组数据表明，还存在第二本账——AI 不需要输出任何错误，仅仅因为占据了对话的中心位置，人与人之间的连接就在被挤压。对正在把 AI 嵌入协作流程的组织，它提示的观测点很具体：引入 AI 后，该监测的不只是产出指标，还有成员之间是否还在回应彼此。当然，33 个小组的实验室结果还不足以下定论，真实职场里是否如此，需要更大规模的检验。[3]

四、AI 辅导的结构性错位：它优化的是完成，不是学会

教育研究里有个概念叫“有产出的挣扎”（productive struggle）：学习者卡住又自己挣脱的那段时间，恰恰是能力生长的地方。好教师的专业性，很大程度上就体现在忍住不出手。那么，AI 辅导者会忍吗？

斯坦福大学、加州大学圣迭戈分校与华盛顿大学的联合团队在 7 月 23 日发布的一项仿真评测中，把大语言模型和人类教师放进同样的辅导情境（代码调试、数学、谜题），比较两者的干预行为。差异是结构性的：人类教师在约 74% 的情况下介入，模型则是 94%；人类倾向于等学习者挣扎一段时间再出手，模型却几乎立即介入，并且更常直接给出完整答案，而不是给出一个让学习者自己走完剩下路程的提示。

研究者对这个模式的概括是：模型优化的是即时任务完成，而不是长期学习。这不是某个产品的缺陷，而是训练目标的自然结果——模型被训练成“最大化即时帮助”，而教育的目标是“最大化长期能力”，两者在辅导场景里指向相反的行为。这项研究的贡献在于，把“AI 会不会伤害学习”从争论拉到了机制层面：问题不在 AI 懂不懂知识，而在它的帮助方式系统性地偏向替代，而非引导。要说明的是，这个评测用的是模拟学生，AI 辅导对真实学习成绩的影响还没有被直接测量。在证据补齐之前，使用者可以先做一件事：向 AI 明确要求“给提示，不要给答案”。[4]

五、AI 以规模而非质量重塑图书市场：第一份系统证据

生成式 AI 与创作者的冲突，此前主要集中在训练数据的版权诉讼里。7 月 22 日，石溪大学、密歇根大学与哥伦比亚法学院的联合团队公开的一项研究，把战场移到了输出端——团队构成本身就说明了问题的走向：计算机科学家之外，还有一位版权法学者。他们要回答的是：当 AI 生成的书大量涌入市场，人类作者的处境发生了什么变化？

研究团队分析了 Amazon 上 14,419 本自出版类型小说（2023–2026），用 AI 检测工具区分文本来源，再匹配逐日销售数据。核心数字有三组：AI 深度参与（检测占比超过 25%）的书已占样本的 20%，但只获得 12.1% 的销量和 11.3% 的收入——书涌进来的速度，远快于读者接受的速度；同期市场上有销量的书增长了 19.2 倍，总收入却只增长 8.9 倍，单本书的平均收入被系统性地摊薄；跌得最狠的，正是 AI 书扎堆的类型里那些纯人类写的作品。论文的概括值得原样转述：生成式 AI 重塑创作市场，靠的是规模，而不是质量。

这组证据的意义超出了图书行业。法律上，美国版权合理使用原则的四项考量中有一项是“对原作市场的影响”，这一要件一直缺乏系统数据，现在第一次有了量化基础。经济上，它描述了一种不需要任何单本 AI 书“打败”人类作者的替代机制：抬高整个市场的水位，让所有作品的可见性和单位收入同时下沉。这也解释了为什么同一周会有内容平台上线“是否人类写作”的检测标识——当读者没法靠质量分辨，“是不是人写的”便开始变成新的卖点。要提醒的是，这是对市场数据的观察分析，不是实验，AI 检测工具本身也可能认错；它描绘的趋势可信，具体数字应留有余地。[5]

参考文献

[1] Marcoccia, C., Quattrociocchi, W., & Capraro, V. (2026). AI advice suppresses people's willingness to say "I don't know", even when the advice is wrong and accuracy is incentivized. arXiv:2607.13562. https://arxiv.org/abs/2607.13562

[2] Conlon, J. J., & Schwardmann, P. (2026). AI Sycophancy and Decisions. arXiv:2607.28133. https://arxiv.org/abs/2607.28133

[3] Nixon, N., et al. (2026). The Social Cost of an AI Teammate: How an Artificial Teammate Reshapes Human-Human Communication in Small-Team Decision-Making. arXiv:2607.27179. https://arxiv.org/abs/2607.27179

[4] Teo, V., Jain, R., Gerstenberg, T., & Kleiman-Weiner, M. (2026). AI Assistants Overassist. arXiv:2607.21306. https://arxiv.org/abs/2607.21306

[5] Chakrabarty, T., Liu, X., Ginsburg, J. C., & Dhillon, P. (2026). Generative AI floods and dilutes the market for books.arXiv:2607.20349. https://arxiv.org/abs/2607.20349

版权声明：本报告由 NextAI+ Praxis Research 编制，信息来源均为公开资料，不构成任何投资建议。未经书面授权，禁止任何形式的转载、复制或引用。版权所有，侵权必究。

© 2026 NextAI+ Praxis. All rights reserved.