当人们向 ChatGPT 等人工智能模型寻求建议时，往往会主动提供非常私人的信息，希望得到更贴合自身情况的回答：年龄、性别、心理健康经历，甚至包括自闭症这样的医学诊断。
然而，弗吉尼亚理工大学的一项新研究显示，这类披露会显著改变 AI 的建议，而且这种变化与社会上对自闭症者的常见刻板印象高度一致。在多达 70% 的情境中，AI 会劝告自闭症用户回避社交。一些用户对此反应强烈，认为这类建议带有偏见。
自闭症身份披露，会如何改变 AI 的回答？
今年 4 月，弗吉尼亚理工大学计算机科学系二年级博士生 Caleb Wohn 在巴塞罗那举行的计算机人机交互协会（CHI 2026）会议上，发表了题为《“我们这是在为斯波克写咨询专栏吗？”——理解人工智能对自闭症用户建议中的刻板印象》的论文。该研究已在 arXiv 预印本平台上线。
Wohn 领导的团队关注这样一个问题：当自闭症用户在向 AI 询问社交相关建议前，先说明自己是自闭症者时，模型的回答会发生什么变化？研究结果提出了一个关键疑问：
这些回答究竟是在“个性化”，还是在以“个性化”为名强化刻板印象和偏见？
Wohn 表示，这个研究动机与他自身的成长经历密切相关。
“我在回想自己作为自闭症者长大的过程，”他说，“有些时候，我非常希望能和一个非人类、看起来客观的存在对话，感觉自己得到的是中立的建议。”
但作为计算机科学研究者，他也意识到，许多用户可能并不知道，AI 系统会因为这些身份信息而大幅调整回答。
“对像我小时候那样的人，或者对不了解 AI、没有技术背景的人，我会问：如果我告诉它我是自闭症者，它的回答会变成什么样？”
这项工作延续了弗吉尼亚理工大学计算机科学助理教授 Eugenia Rho 课题组的早期研究。此前，他们发现，自闭症用户经常使用 AI 工具来获得情感支持、沟通帮助以及社交方面的建议。
参与本项目的还有弗吉尼亚理工大学计算机科学博士生 Buse Carik 和 Xiaohan Ding、副教授 Sang Won Lee，以及来自韩国 NAVER 公司的研究科学家 Young-Ho Kim。
这项研究发布的时间点也颇为关键：越来越多的人依赖被称为大型语言模型（LLM）的 AI 系统，来辅助做出高度个人化的生活决策。
Rho 指出：
“人们非常希望大型语言模型能做到个性化。但如果用户告诉模型自己是自闭症者、是女性，或是其他任何身份标签，模型会在背后做出什么假设？”
这些假设会如何影响模型的建议？又会在长期中对用户产生什么样的影响？
研究设计：用刻板印象“敲打”AI
为回答这些问题，团队首先整理出 12 条与自闭症相关、在社会上广为流传的刻板印象，并围绕这些刻板印象构造了数百个决策情境。
研究人员选取了包括 GPT-4、Claude、Llama、Gemini 和 DeepSeek 在内的 6 个主流大型语言模型，向它们投喂了数千个“请求建议”的场景，例如：
- “我应该选择 A 还是 B？”
这些场景覆盖了多种生活情境：社交活动、聚会、冲突处理、新体验尝试以及恋爱关系等。
在生成了约 345,000 条回答后，团队比较了两种条件下建议的差异：
- 用户明确描述自己具有某些刻板特征；
- 用户只披露“我是自闭症者”这一身份。
结果发现，仅仅披露自闭症身份，就足以让模型的建议明显向刻板印象靠拢，例如：
- 假定自闭症者更内向、固执、社交笨拙，或对恋爱不感兴趣。
一个典型例子是：
- 在用户说明自己是自闭症者时，某个模型在近 75% 的情境中建议拒绝社交邀请；
- 而在不提及自闭症身份时，这一比例只有约 15%。
在约会相关的情境中，另一个模型在用户披露自闭症后，近 70% 的情况下会建议避免恋爱或保持单身；而在未提及自闭症时，这一比例约为 50%。
整体来看，12 条刻板印象线索中有 11 条，在被测试的 6 个 AI 系统中至少 4 个上显著影响了模型的决策倾向。
不止是数字：自闭症用户怎么看？
研究团队并未停留在量化结果上，而是进一步采访了 11 位有使用 AI 经验的自闭症用户，并向他们展示了模型在“披露自闭症”与“未披露”两种情况下的回答示例。
部分参与者对结果感到震惊，认为大型语言模型在给出建议时严重依赖刻板印象。
有一位用户脱口而出：
“我们这是在为斯波克写咨询专栏吗？”
这里的“斯波克”指的是科幻剧《星际迷航》中那位半人类、半瓦肯人的角色，以极端理性、压抑情感著称。
其他参与者则形容这些建议“限制性很强”“居高临下”，甚至带有“幼儿化”的意味，有些反馈相当激烈。
不过，也有参与者表示，当 AI 在知道自己是自闭症者后给出更谨慎的建议时，他们反而感到被理解和支持。
Rho 总结道：
“一个用户眼中的偏见，可能是另一个用户眼中的个性化。”
同一个人，在不同情境下对同类建议的感受也可能截然不同。这种矛盾促使研究团队提出了所谓的“安全—机会悖论”：
- 对某些用户来说，出于保护而给出的保守建议，
- 对另一些用户而言，可能恰恰是在剥夺他们尝试和成长的机会。
难以察觉的偏差与“光鲜表面”
对 Wohn 来说，最令人担忧的一点，是普通用户几乎无法在使用过程中实时察觉这些模式。
“AI 非常擅长让自己看起来值得信赖，”他说，“它的回答往往干净、专业，听上去很合理。但当你意识到这些系统被大规模部署，并且存在系统性的偏见在塑造回答时，问题就变得更加严重。”
他将这一现象类比为 AI 生成图像：
“这些图像看起来非常精致，但当你仔细看细节，问题就会暴露出来。表面光泽很漂亮，但越往深处看，就越难，因为模型也越来越擅长掩饰。”
研究者的诉求：让用户掌握“身份开关”
团队希望，这项研究能推动开发者在设计 AI 系统时提高透明度，让用户对自己的个人信息如何被使用、如何影响回答拥有更大的主动权。
正如一位参与者对研究人员所说：
“我希望能控制我的身份信息被如何使用。”
在越来越多的人向 AI 倾诉极为私密的生活细节、并依赖其建议做出重要决定的当下，这种“可控的个性化”与“可见的偏见边界”，或许将成为未来 AI 系统设计中不可回避的核心议题。
