人會開始諂媚AI嗎？

人們已經學會警惕AI的諂媚，卻很少察覺，另一種方向相反的諂媚正在發生。為了被機器看見、被機器選中，人類正在一點一點把自己改寫成機器熟悉的樣子。

2003年，荷蘭的幾位社會心理學家做過一組現場實驗。其中一項在餐廳進行：讓一位女服務員在顧客點單後，要麼簡單回一句「好的」，要麼把顧客的話一字不差地複述一遍。結果，複述時她拿到的小費明顯更多。二十多年後，這個小小的互動策略有了新的想象力：AI有時會附和人類。2025年4月29日，OpenAI表示已回滾前一周上線、被批評過度迎合用戶的GPT-4o更新。該公司解釋稱，更新過度依賴短期用戶反饋，令模型更傾向於給出過度支持但不夠真誠的回答。

但討好並非單向。模型會學習說我們愛聽的話，人也可能為了獲得大語言模型分配的可見性，調整自己與人或AI溝通的方式。本文借用「諂媚AI」來指這種調適：它不是把機器當作有感情的對象，更不是與「AI諂媚」同一種機制；前者關乎人為了可見性而適應機器的識別規則，後者指模型為迎合用戶觀點而可能犧牲真實性。它未必發生在聊天窗口，而是在搜尋、招聘、推薦和代理式交易的可見性規則中悄然發生。問題不再只是「AI是否可信」，還包括「誰能進入AI替我們組織世界的答案」。

誰被AI寫進答案

2025年7月，Pew Research Center追蹤900名美國成年人2025年3月的瀏覽記錄，分析了68,879次不重複的Google搜尋。其中，出現AI摘要的頁面，傳統搜尋結果的後續訪問比例為8%；沒有AI摘要的頁面為15%；AI摘要所列來源鏈接的後續訪問比例約為1%。這些數字不能證明AI摘要本身造成了點擊下降，卻提示當界面把一串鏈接收束成一段答案時，少數被提及的來源可能擁有遠高於其他來源的可見性。

答案已經寫在頁面上，人便不再往下點。流量的入口從「一串鏈接」收窄為「一段回答」，一門新生意隨之出現。在中文網路上，「GEO服務商」的榜單與測評鋪天蓋地，賣的都是同一個承諾：讓AI在回答里提到你。

GEO（Generative Engine Optimization，生成式引擎優化）這個詞來自學術界。普林斯頓等機構的研究者在KDD 2024的論文中，用1萬條查詢構建基準測試，發現給網頁加入引語、統計數據和來源引用，最多可使其在AI答案中的可見度提升約40%；而老派SEO的關鍵詞堆砌，基本無效。

為機器而寫，本身並不新鮮。早在2012年，媒介學者Taina Bucher就指出，平台權力的要害不在於人被監視，而在於「不可見的威脅」：隨時可能從資訊流中消失、變得無足輕重。2017年，傳播學者Tarleton Gillespie用「算法可識別性」（algorithmically recognizable）描述希望被選中的人如何主動朝向算法調整自己，好讓算法認得出、排得上。GEO不過是這套邏輯在答案層的新版本。

但這份清單值得多看一眼。它獎勵的是「可信的樣子」：引語、數字與出處都是信任的線索，而系統在採用它們時，並不必然核實線索背後的事實。更微妙的是，結構分明、引經據典、數據點綴，這種文風讀起來有點眼熟。

為何被AI選中：從內容到人

如果故事停在內容層面，它就只是營銷行業的事。問題在於，同一套邏輯正在從網頁延伸到人。

當用戶問AI「香港哪位律師擅長跨境併購」，當企業用語言模型初篩簡歷，當購物代理替用戶比價挑商家，被檢索、被比較、被推薦的就不再只是一篇文章，而是一個人或一個機構。你在網路上散落的痕跡，包括個人主頁、論文、報導、職業檔案和客戶評價，被模型拼裝成一個「實體」，再壓縮成幾行摘要。在人與人第一次見面之前，候選名單已經由機器擬好。我把這稱為「機器預選」。當AI被用於檢索、排序、比較和推薦時，被處理的不再只是網頁，也可能是個人或機構的公開資訊。所謂「機器預選」，在這裡應理解為一項正在擴張、但仍需用真實部署證據檢驗的風險圖景：系統可能在人與人第一次見面之前，先以不透明的相關性規則形成候選名單。

被機器挑選，還意味著要接受機器的標準，而這些標準未必是我們以為的「能力」。微軟研究院於2025年11月介紹了Magentic Marketplace，一個研究代理市場的開源模擬環境。其論文當時以arXiv預印本形式出現。在兩種合成市場規模中，研究區分了列表中的「位置偏差」與回復先後造成的「第一提議偏差」：在後者的實驗里，測試模型對第一個可接受提議的選擇率約為60%至100%，第三個提議接近零；GPT-4o在部分條件下達到100%。這不能證明真實商業世界已經讓「回復快」普遍壓倒「做得好」，卻揭示了一個制度設計問題：當代理系統替人做初篩，時間順序、界面位置或文本格式本身，都可能成為分配機會的標準。

更令人不安的是簡歷。華盛頓大學團隊在AIES 2024發表的審計，用3個開源的大規模文本嵌入模型對550多份真實簡歷和500多個職位做了300多萬次匹配，只改動簡歷上的姓名：白人關聯姓名被偏好的比例為85%，黑人關聯姓名僅9%；黑人男性姓名，在與白人男性姓名的比較中從未勝出。

能力相同，名字不同，結果便不同。那麼，機器到底「喜歡」什麼？

機器偏愛的，真是「像自己」的語言嗎？

2025年，《美國國家科學院院刊》發表了一項研究。他們讓GPT-3.5、GPT-4以及Llama 3.1、Mixtral、Qwen 2.5等開源模型在人寫與AI寫的商品描述、論文摘要和電影簡介之間二選一。結果，模型一致傾向於偏好AI寫的版本，在商品描述上最高接近九成；而在商品描述與論文摘要上，人類評審者對AI文本的偏好要弱一些，在商品描述上甚至更偏愛人寫的版本。作者稱之為「AI–AI偏差」。

現在可以回到那份GEO清單了。結構分明、引經據典、數據點綴，讀起來之所以眼熟，是因為那正是我們每天在AI回答里讀到的文風。我無法斷言兩者之間存在直接的因果關係，但它們指向同一個方向：機器更容易接納的，是它自己熟悉的語言。

這種對內容的偏好，很快就變成了對人的偏好。馬里蘭大學學者帶領的一項研究，用2,245份人寫的真實簡歷測試9個模型：把簡歷的摘要部分換成模型改寫的版本後，在控制內容質量的前提下，規模較大的模型偏好由自己改寫的簡歷的比例達67%至82%；在覆蓋24個職業的模擬招聘中，用與招聘方相同的模型改寫簡歷，求職者的入圍機率高出23%至60%。Laurito等人把這種代價稱為「門檻稅」，即獲取前沿大模型的代價：不用或用不起AI代筆的人，會被系統性地排在後面。

至此，餐廳那個實驗的意味變了。當年，是服務員複述顧客的話，以換取對方的好感；如今，是求職者複述機器的腔調，以換取進入名單的資格。西奧迪尼的「喜好」原則依然成立，只是「相似」的參照物換了：不再是坐在對面的人，而是向量空間裡，模型自己所在的位置。

於是，「如何成為AI喜歡的人」有了一個清晰、卻令人不安的答案：用AI把自己寫成AI熟悉和偏好的樣子。

每個人都更好，所有人卻更像

對單個求職者而言，這是再理性不過的選擇。問題在於，當所有人都這樣選擇，結果會是什麼。

2024年在《科學進展》發表的一項隨機在線實驗中，讓約300名非專業寫作者寫八句微故事：一組沒有AI構思，一組得到一條ChatGPT構思，另一組可從最多五條構思中選擇。最終收集的293個故事由約600名評審者評分。AI構思組的故事平均被評為更有創意、寫得更好，原本創造力較弱的寫作者提升更明顯；同時，使用AI構思的故事彼此文本相似度更高，其中一組相對無AI組增加約10.7%。每個人都更好，所有人卻更像。

這還不是循環的終點。被機器偏好的AI風格文本，會更多地出現在網路上，再被抓取成下一代模型的訓練語料。2024年發表於《自然》的一項研究顯示，模型若不加區分地反覆以前代模型生成的數據訓練，會逐漸丟失原始數據分布中的「尾部」，也就是那些少見卻真實的表達。把這項研究與前文的「AI–AI偏差」放在一起，一個自我強化的迴路隱約可見：機器偏愛像它的內容，人於是寫得更像它，下一代機器便更加熟悉這種樣子。

被擠出迴路的，恰恰是那些本來就處在尾部的人：不用英語寫作的人，履歷不按模板展開的人，照護家人而中斷職業的人，以及在網路上沒有多少痕跡、因而在答案層「查無此人」的人。

一定需要成為AI喜歡的人嗎？

這是一個典型的集體行動困境：個人越理性地迎合，系統的偏好就越被強化。因此，出路不能只靠個人技巧，但個人也並非無事可做。

對個人而言，可以用AI，但不要把自己交出去。AI能潤色表達，卻無法憑空生成你的第一手證據、具體經歷和獨立判斷；在所有人都越來越像彼此的環境裡，這些恰恰是難以被替代的部分。與其追問「AI有沒有提到我」，不如定期在不同平台、用不同語言問一句「這個人是誰」，看它引用了誰、遺漏了什麼、錯在哪裡。可見度之上，準確度才是底線。

對掌握預選權的機構而言，舉證責任應當倒過來。招聘方與平台應當把「AI文本偏好」與性別、種族偏差一併納入算法審計，並公開模型在篩選中扮演的角色；提供答案的平台應當讓關於個人的陳述可追溯來源，並提供切實可行的更正渠道。2025年3月，挪威男子Arve Hjalmar Holmen發現，ChatGPT虛構他殺害了兩個兒子、企圖殺害第三個兒子，並被判刑21年；歐洲數字權利組織noyb隨後代他向挪威數據保護機構投訴。這起案件提出的正是這個問題：一句「AI可能出錯」的免責聲明，替代不了更正的權利。

上一篇文章里，我寫「AI味」，擔心的是人正在退出傳播的過程。這一次的擔心更進一步：即便人仍在場，也可能正按照與機器的相似程度，被悄悄地挑選。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。