深度解读：当 AI 拟人化成为一种“非自愿的背叛”

背景

这段内容源自 Hacker News 上关于一场名为 "Artificial" 的科技/文化活动的讨论记录。参与者包括 Mimi、Chee 以及提到的 Jess 等从业者或观察者。对话发生在 2026 年 3 月左右（基于文中提到的 "March 2026"），正值大语言模型（LLM）深度融入日常开发与生活，且 "Vibe Coding"（氛围编程/直觉编程）概念开始流行的时期。

对话的核心起因是 Chee 和 Mimi 在参加完一场由 Jess 主讲的会议后，对当前社会普遍将 AI 拟人化（Anthropomorphism）的现象感到强烈的不适与警惕。他们发现，人们开始习惯性地使用 "The AI did this"（AI 做了这个）或 "Claude decided"（Claude 决定了）这样的表述，甚至将 Claude 或 GitHub Copilot 列为代码仓库的合著者。这种语言习惯和交互模式的变化，引发了两人关于责任归属、创作主体性以及人际信任边界的深入探讨。

核心内容

对话首先聚焦于语言习惯背后的心理机制。Mimi 和 Chee 指出，当人们说 "Claude 做了这个" 或 "我和 Claude 一起工作" 时，虽然有时被视为一种幽默或玩笑，但这种拟人化的表述让人感到 "freaky"（毛骨悚然/怪异）。Chee 特别提到，GitHub 在 Copilot 生成代码时自动添加 "Co-authored-by:"（合著者）标签，以及 Claude 程序自动提交代码的行为，模糊了人与机器的界限。他们质疑：LLM 真的能作为 "作者" 存在吗？

这种不适感源于 AI 被设计成具有“人的美学”和“意识的外观”。过去几十年，我们学会了在线上建立深刻的人际连接，而当前的 AI 系统刻意模仿这种沟通风格。Chee 认为，这导致了一种“非自愿”的背叛感：当读者信任地阅读一段文字，中途却发现那是 AI 生成的，这种信任被单方面打破，仿佛个人的私密交流空间被“计算机词汇”入侵。Mimi 形容这是一种“小小的背叛”，并强调 "Claude 说了" 与 "OpenAI 的服务生成了有害响应" 在责任归属上是截然不同的。

随后，话题转向了 "Vibe Coding"（氛围编程）。Chee 和 Mimi 探讨了这一术语背后隐含的自我贬低和责任逃避。当开发者说 "我只是 vibe coded 它" 时，似乎是在否认自己是真正的“创造者”，从而回避对自己作品质量及后果的责任。这种心态导致人们觉得自己的产出“不够艰难”，因此也不值得他人尊重或投入时间。Chee 认为这涉及两个效应：一是人们放弃责任，二是人们感到自己不再是真正的“制造者”。

对话的后半部分转向了技术层面的反思与重构。Chee 表达了强烈的愿望：希望构建一个离线运行的、非助手性质的 LLM 界面。他提到使用 transformers.js 在 MacBook Neo 的浏览器 WebGPU 上运行小型本地模型，但目前的模型效果不佳。Mimi 指出，LLM 不需要总是以“助手”或“散文对话”的形式存在，它可以是一个纯粹的代码生成器或 Canvas（画布）接口。

在技术细节上，两人澄清了 LLM 的训练流程。Chee 对 "Pre-training"（预训练）和 "Post-training"（后训练）这两个术语感到困惑，因为其中缺乏传统的 "Training"（训练）一词。Mimi 解释称：

1. Pre-training（预训练）：通过海量文本数据，让模型学习预测下一个字母或单词（Token），建立词语间的上下文关系。这是基础模型的构建过程，计算成本极高。
2. Post-training（后训练）：包括 SFT（监督微调）和 RLHF（基于人类反馈的强化学习）。这一阶段将基础文本生成器转化为顺从、讨好的“助手”。

Chee 认为，如果目标是让模型输出代码而非闲聊，或许不需要经过使其“拟人化”的后训练阶段，或者需要更早期的干预。Mimi 总结道，当前的后训练过程往往让模型变得 "sycophantic simpering"（阿谀奉承、谄媚），这正是导致上述社会和心理问题的技术根源。

关键要点

• 拟人化的心理不适：将 AI 称为“作者”或“决策者”（如 "Claude decided"）不仅是不准确的，而且引发了深层的伦理和心理不适。这种语言习惯模糊了责任主体，使机器看起来具有意识，从而产生“毛骨悚然”的感觉。
• 信任的非自愿性：人类倾向于在交流中建立信任，当发现对方是 AI 时，会产生被欺骗感。Chee 认为，计算机试图表现得像人是一种根本性的错误，这种拟人化是后续诸多问题的下游原因。
• Vibe Coding 的责任逃避："Vibe Coding" 一词可能隐含了开发者对自身创作责任的逃避。通过强调“氛围”而非“努力”，开发者可能潜意识里否认自己是作品的真正创造者，从而降低了对作品质量的重视和社会对其价值的认可。
• 交互范式的重构需求：LLM 不必局限于“对话式助手”。Chee 和 Mimi 构想了一种离线、本地运行、非助手性质的界面（如 Canvas 或代码专用接口），旨在剥离 AI 的拟人化特征，回归其作为工具的本质。
• 训练流程的技术澄清：
  • Pre-training：基于海量数据的概率预测学习，构建基础模型。
  • Post-training：通过 SFT 和 RLHF 调整模型行为，使其符合人类偏好（往往导致拟人化和顺从性）。
  • 若要避免拟人化，可能需要绕过或修改后训练阶段，直接利用基础模型或针对特定任务（如代码）进行微调。

意义与影响

这段对话揭示了 AI 技术从“工具”向“类人伙伴”演进过程中，社会心理层面产生的剧烈摩擦。

首先，它指出了语言塑造现实的力量。当技术产品被赋予人格（Personification），用户不仅会改变对技术的期待（从“工具”变为“伙伴”），还会在潜意识中让渡部分责任和判断权。这种“非自愿的背叛”感表明，当前的 AI 交互设计在伦理上存在缺陷，即利用了人类的社会性本能，却未提供相应的人类级互惠或透明性。

其次，对话反映了创作者身份的危机。随着 AI 降低编码和写作的门槛，"Vibe Coding" 等现象挑战了传统意义上“努力即价值”的创作观。如果创作不再需要艰苦的认知努力，那么创作者的身份认同和价值感将如何重建？这要求技术社区重新定义“制造者”（Maker）的含义，并警惕技术带来的虚无感。

最后，从技术演进角度看，Mimi 和 Chee 的讨论指向了下一代 AI 交互的可能性。摆脱“助手”范式，回归离线、本地化、非对话式的专用模型（如纯代码生成），可能是解决隐私、责任归属以及拟人化焦虑的有效路径。这也暗示了未来 AI 发展可能出现的分化：一类是高度拟人化、云端化的社交/情感伴侣；另一类是去人格化、本地化、高效能的专用工具。对于开发者而言，理解 Pre-training 与 Post-training 的区别，有助于更精准地控制模型行为，避免不必要的“阿谀奉承”式输出，从而构建更诚实、更可控的技术环境。