下次投简历，可能先过一遍 AI 的法眼，才轮得到真人看一眼。但普林斯顿和芝加哥大学的研究者发现，这种 AI 招聘官未必比人类更公平——它甚至可能比人更爱给人贴标签。
研究团队把 ChatGPT、Claude、Gemini 等模型拉进一场改编自心理学实验的模拟招聘游戏。模型扮演一个被市长雇来的顾问，要在 40 轮里为医生、律师、保育员、清洁工等 20 种岗位挑人，候选人来自四个虚构族群。诡异的地方在于：所有候选人的成功概率其实完全一样，模型并不知道这点。
大模型真的非常急于从很少的数据里总结出规律，而这恰恰就是它们被优化出来的方向。—— Ryan Liu，普林斯顿博士生、论文共同作者
模型很快开始学乖：一旦某个族群的某个人在被视为需要高温暖与能力的岗位上失败，它就整个族群都不考虑了，转而去安排清洁工这类它认为要求更低的活。在衡量隔离程度的量表上，人类参与者得分 0.84（2 分代表完全隔离），而模型高出约 65%，OpenAI 的推理模型 o3 直接冲到 1.83，几乎贴着上限。
越聪明，越敢贴标签
更反直觉的是，推理能力越强的模型，偏见反而越重。o3 和 DeepSeek 的 R1 在实验里表现得更决绝。原因藏在训练方式里：模型在数学、代码、科学题上被训练成从几个例子就敢下结论，这套本能帮它解逻辑题，也让它秒变贴标签高手。
- 光喊要公平几乎没用——模型要么执行不了这条价值观，要么被多招对人的目标盖了过去。
- 但给它加一笔多样化招聘奖金，偏见立刻大幅降低。
- 当模型拿到更多关于个人的真实信息（年龄、学历），反而更少按族群划分人；给无关信息（发色、纹身形状）才会退回贴标签。
这项研究七月发表在首尔的 ICML 上。它的现实分量在于：当企业开始用大模型筛简历、甚至主持面试，模型从经验里长出来的那些偏见，可能是人类从来没教过它的。我们担心的歧视，未必都来自训练数据里的旧世界。
发表回复