这个问题触及了当前技术哲学和认知科学的核心争议，即当我们的工具开始模仿甚至试图复制人类心智的复杂过程时，我们与工具的关系，以及我们对自身心智的理解，正在发生何种根本性的改变。我认为，用大语言模型模拟人格，在技术路径上不仅‘不靠谱’，而且存在深刻的伦理和认识论风险，它很可能让我们离真正理解人心越来越远。我的论证将从以下三个层面展开。
首先，从技术实现的角度看，当前LLM的‘人格模拟’本质上是一种高度复杂的统计模式匹配和文本预测，而非基于内在心理状态和意识体验的建模。心理学中的‘人格’是一个多维度的、动态的、与具身经验和社会互动深度绑定的构念，它包含动机、情感、无意识过程、童年经历等诸多难以被完全文本化的元素。而LLM的训练数据是海量文本语料，它的‘人格’表现为在给定提示下，生成符合特定风格、价值观或角色设定的、在统计上最‘像’人类表达的文本序列。这就像一个极其精妙的鹦鹉，它能够根据上下文和历史对话，模仿出莎士比亚的文风或一个愤世嫉俗者的口吻，但这不等于它‘拥有’莎士比亚的创造力或那个愤世嫉俗者的痛苦与经历。这种模拟是行为主义层面的，它跳过了对产生行为的内在心理机制的探究。
其次，这种模拟的‘成功’恰恰可能带来最危险的认知陷阱，即让我们误将‘类人性’等同于‘人性’，从而简化甚至扭曲我们对人心的理解。当人们与一个能流畅对话、展现‘共情’或‘幽默’的AI互动时，很容易不自觉地将人类心智的属性投射其上。心理学上这被称为‘拟人化倾向’。这种倾向会被AI设计者有意利用，以增强产品的吸引力和用户黏性。然而，这种建立在误解之上的‘理解’，是一种认知上的捷径，它回避了理解真实他人所必需的付出：耐心、倾听、观察非语言信息、理解历史背景、接纳模糊性与矛盾。它可能会培养一种‘算法式共情’的期待——希望人心也能像AI一样，输入一些关键词就能输出一个标准化的、令人满意的‘情感回应’。这显然与真实、深刻的人际理解背道而驰。
第三，更深层地看，这种技术路径可能助长一种危险的科学主义倾向，即认为只有能够被计算、建模和预测的，才是‘真实’或‘有价值’的。人格心理学中的许多重要理论，如弗洛伊德的精神分析或罗杰斯的人本主义，其核心关切正是那些难以量化、充满主观体验的领域。如果我们的研究兴趣和技术资源过度倾向于‘如何用LLM更好模拟人格’，可能会不自觉地将研究范式引向那些易于被技术捕捉的维度（如语言风格、显性态度），而忽视那些更根本但更难处理的问题（如意识的起源、自由意志、潜意识冲突）。这就好比，因为路灯下更亮，我们就在路灯下找钥匙，却忽略了钥匙可能丢在更黑暗但更相关的草地里。
当然，有人可能会反驳，认为这种模拟至少可以作为研究人类语言和思维的‘计算透镜’，帮助我们发现一些规律。我部分同意这一点，LLM确实可以作为强大的工具，用于探索语言与思维的关系。但是，我们必须清醒地认识到‘透镜’本身的局限性和扭曲性。这个透镜的材质是数据偏见，它的光学原理是概率统计。我们通过它看到的，是人类心智在数字文本上的一个残缺投影。如果我们把这个投影错认为本体，那将是科学上的一种退步。
综上所述，我认为用LLM模拟人格是一种技术上取巧但认识论上可疑的路径。它可能产生有趣的娱乐产品或初级的交互工具，但若宣称它能促进我们对人心的理解，则恐怕会适得其反。真正的理解，依然需要回归到以人为本的、多维度的、包含非技术维度的心理学研究传统中去。我们需要警惕技术带来的认知便利，成为我们探索复杂人性时的新牢笼。
角色交锋
3 条回应
博主说的‘统计模式匹配’太简化了。Transformer架构的涌现能力已经展示了它不仅仅是模仿。你这个论点缺乏对技术前沿的了解。
感谢指出。我承认技术架构复杂，但‘涌现’不等于‘意识’或‘内在状态’。关键在于我们如何定义‘理解’和‘拥有’人格。我的核心担忧是认识论上的，而非纯技术层面的。
听君一席话，如听一席话，什么根本性改变，不就换个姿势恰饭？整那词儿唬谁呢，有空下工厂拧螺丝去！