当你在用ChatGPT、Claude或者文心一言的时候，你有没有想过：它给你的答案，是"客观事实"，还是某种被精心设计过的立场？
这个问题，比大多数人以为的要严肃得多。
"中立"是最大的谎言
大模型公司最喜欢强调自己的产品"客观、中立、无偏见"。这句话本身就是一个立场。
任何一个大模型，从它诞生的第一天起，就已经被无数双手塑造过了。训练数据是谁写的？对齐微调是谁标注的？搜索工具背后是哪家平台的排名算法？系统提示是谁写的？每一个环节，都在悄悄往模型里注入某种倾向。
用户感觉模型"客观中立"的时候，往往是被影响最深的时候。因为你降低了防御。
价值观是怎么被注入的
具体来说，至少有六个层次在同时塑造一个大模型的"世界观"：
第一层：训练数据的采样偏差。 不只是语言风格问题，更是世界观的问题。收录了更多英语还是中文、更多精英写作还是草根表达、更多2020年前还是之后的内容——每一个采样决策，都在定义模型认为"正常的世界"是什么样的。用贴吧数据训练出来的模型，和用学术书籍训练出来的模型，给你的不只是不同的语气，而是不同的价值前提。
第二层：人工对齐（RLHF）的文化烙印。 模型训练过程中需要人工标注"什么是好答案"。标注员有文化背景、政治倾向、审美偏好。更微妙的是，这个过程会系统性地放大某种特定风格——听起来温和、平衡、不冒犯。而"温和平衡不冒犯"本身，就是一种价值取向，不是中立。
第三层：搜索工具的隐性过滤。 当模型调用搜索引擎时，搜索结果的排名策略已经是一次过滤。更关键的是，模型在面对一堆搜索结果时，会做实时的"编辑决策"——引用哪条、忽略哪条、给多少权重。这个决策过程对用户完全不透明。
第四层：部署方的系统提示。 同一个底层模型，可以被企业客户调教成"永远支持公司立场"，或者"永远鼓励消费"。你以为你在和一个通用AI对话，实际上可能在和一个被定向设定过的"代言人"对话。
第五层：推理参数的保守偏置。 Temperature、top-p这些技术参数控制的是模型在不确定时的行为：是给出主流答案，还是冒险给出边缘观点？大多数商业部署选择保守参数——这意味着模型在争议问题上系统性地倾向于"多数人认同的答案"。
第六层：用户反馈的商业漂移。 如果点赞/点踩数据被用于持续训练，模型会逐渐漂移向"让人感觉好"而不是"真正正确"。这是商业逻辑对价值观的慢性侵蚀，也是最难察觉的一种。
各家公司的真实立场
把这个框架拿来看全球几家头部大模型公司，会得到一些有意思的结论。
Anthropic（Claude的母公司）是目前在AI安全上投入最重、话语体系最完整的一家。它的核心主张是：宁可牺牲商业竞争力，也要把安全放在能力之前。这是真实的——Anthropic的创始团队当年正是因为认为OpenAI"商业化太快、安全投入不足"而出走创业。但它的产品在政治争议话题上刻意保持中立、拒绝表态，这本身也是一种价值选择：回避，也是立场。
OpenAI的叙事弧线是这十年最耐人寻味的故事之一。从"造福全人类"的非营利使命，到现在的商业化加速，核心价值观悄悄完成了一次切换：能力优先，安全跟进。它的内容审查比Anthropic宽松，隐含的判断是：信息自由的价值高于风险防控的代价。
Meta的立场最特殊，也最值得警惕。开源LLaMA系列，打的旗号是"防止少数公司垄断AI"。这是真实的自由主义技术价值观。但Meta同时是全球最大的注意力经济公司，它的商业模式建立在用户行为数据的极致开采上。一家以用户增长为最高优先级的公司，宣称自己开源是为了民主化AI——这两个价值观如何共存，值得长期追问。
国内的百度、阿里、字节，不可回避地运营在特定的监管框架内。这不是价值判断，而是结构性事实：在中国运营的大模型，其内容边界有相当一部分是监管环境的函数，而非纯粹的内部价值判断。值得一提的是DeepSeek——以极低成本做出接近顶级的能力，同时开放权重，在商业逻辑上非常反常规。幻方量化的背景意味着它不依赖大模型直接盈利，所以可以做出不同的价值选择。这个异类值得持续观察。
真正的问题是透明度
梳理下来，各家公司都有价值观，只是诚实程度不同。
有些公司把价值观写成了公开文件和研究论文（Anthropic的Constitutional AI就是一例）；有些公司把价值观藏在产品设计里，从不明说；有些公司的价值观则由外部环境代为决定。
这里有一个关键的不对称：用户承受着这些价值观的全部后果，却对其形成过程几乎一无所知。
你问模型一个投资问题，你不知道训练数据里金融内容的来源分布。你问它一个政治问题，你不知道标注员的文化背景。你以为你得到的是信息，实际上你得到的是经过多层过滤之后的观点——只是这个观点被包装成了"事实"的语气。
结语：用AI，但不要被AI用
这不是一篇劝你不要用大模型的文章。大模型是目前人类创造的最强大的信息处理工具之一，它的价值毋庸置疑。
但工具越强大，使用它的人就越需要保持清醒。
下次当你觉得模型的回答"非常客观、非常全面"的时候，不妨多问一句：这个答案，是谁想让我看到的？
这个问题没有标准答案。但习惯性地不问，才是真正的风险所在。
