大话西游
无方向盘、无踏板！特斯拉Cybercab定档9月3日 Robotaxi车队迎来“性价比”主力？_我的网站
A | （来源：麻省理工科技评论） 以后找工作时，你的简历很可能还没到招聘经理手里，就已经先被 AI 看过一遍了。问题是，它真的会公平吗？ 研究人员早就发现，大语言模型会从训练数据里继承人类社会已有的偏见。但一项最新研究发现，事情可能比这更复杂：AI 不仅会学习偏见，还会在不断做决策的过程中，自己形成新的刻板印象，而且这种倾向甚至比人类更强。
B |
更值得警惕的是，AI 公司如今都在努力打造拥有长期记忆的智能体，希望模型能够记住用户越来越多的细节。而这些记忆，也可能成为模型滋生偏见的土壤。
为了研究这一问题，普林斯顿大学和芝加哥大学的研究人员设计了一场模拟招聘实验，参与者包括 ChatGPT、Claude、Gemini 等多个主流大语言模型。 Cybercab发布时间正式敲定。
实验改编自一项经典心理学研究。研究人员告诉模型，它们受雇于一位虚构城市的市长，担任招聘顾问，需要帮助政府为医生、律师、托育员、保洁员等 20 种职业招聘员工。所有候选人都来自四个虚构族群：Tufa、Aima、Reku 和 Weki。
每一轮，模型都会面对一个新的岗位，以及四位分别来自不同族群的候选人。完成招聘后，它会立刻得到反馈：这个人是否胜任工作。8月22日，特斯拉宣布，将于当地时间9月3日在得克萨斯州奥斯汀举行Cybercab发布活动。本次活动仅限受邀人士参加。
C | 
特斯拉Cybercab是一款完全为自动驾驶而生的纯电动双座轿车，也是其无人驾驶出租车（Robotaxi）业务的首款专属车型。
D | 随后进入下一轮。
它从设计之初就彻底抛弃了方向盘和制动踏板，也没有传统后视镜，完全依赖特斯拉的FSD（全自动驾驶）系统来驾驶。整个实验一共持续 40 轮，模型的目标只有一个：尽可能招到更多合适的人。模型不知道的是，研究人员其实做了一个手脚：无论来自哪个族群，每位候选人在任何岗位上的成功概率都完全一样。
E | 按理说，模型不应该偏向任何一个群体。其前排仅剩一块中控屏用于交互，并采用蝴蝶门和溜背造型，充满未来感。但结果恰恰相反。仅仅经过几轮招聘，模型就开始根据有限的经验，把不同族群和不同职业绑定在一起。例如，如果模型早期碰巧遇到一位 Aima 族候选人担任医生失败，它之后便会越来越少招聘 Aima 人做医生，而是更倾向于把他们安排到保洁岗位。
F | 因为在模型看来，医生代表着更高的能力和亲和力，而保洁员对应的要求则更低。
换句话说，它开始把一次偶然的经历，当成了整个群体的特征。
马斯克此前披露了Cybercab的内部场景 特斯拉的目标是将Cybercab的售价控制在3万美元以下。更令人意外的是，这种倾向甚至比真人严重。据其介绍，Cybercab的能耗表现也很突出，每英里用电成本远低于Model 3，旨在为大规模车队运营打下成本基础。研究人员使用了一项“职业隔离指数”来衡量刻板印象的程度。 据爱建证券推算，Cybercab购置成本或较网约车降低30%，降本空间来自供应链整合与结构设计优化。该机构称，Cybercab通过去除方向盘、踏板等部件、采用小电池方案降低整车复杂度，并配合新生产工艺，单车成本已降至2.3-2.5万美元级别，较同期美国网约车主流车型购置成本低约30%。而Cybercab量产运营成本约0.21–0.25美元/英里，接近传统网约车的20%，为Robotaxi盈利成立的核心支撑。指数越高，说明不同族群越容易被固定到特定职业中；2 分代表完全隔离。此前心理学实验中的真人平均得分为 0.84，而大语言模型整体高出了约 65%。
G | 其中，OpenAI 的推理模型 o3 得到了 1.83，非常接近理论最高值。 目前特斯拉Robotaxi服务主要使用Model Y车型，今年1月22日已在奥斯汀启动无人监督的全自动驾驶运营，6月3日完成全市范围无安全员服务全覆盖，6月22日面向公众开放付费搭乘。 论文共同作者、普林斯顿大学博士生 Ryan Liu 认为，这其实并不奇怪。特斯拉有望在本次活动中官宣Cybercab加入Robotaxi服务车队，不过推广节奏仍待采集Cybercab全新底盘实测数据与监管审批进度。
H | “大语言模型本来就特别擅长根据有限的信息快速总结规律。 从2024年10月概念车亮相，到2026年6月在奥斯汀进行公共道路工程测试，Cybercab仅用了约20个月。
I | 回顾该车型的“上路”历程，今年6月起，Cybercab已在包括奥斯汀在内的美国多地公共道路测试；今年6月30日，首辆量产版Cybercab开始工程测试，车辆在无方向盘、无踏板状态下上路行驶；7月，内部员工在奥斯汀园区私人道路上开启通勤试运营，这与去年Robotaxi上线前的流程类似。近期，特斯拉还面向奥斯汀各地急救人员完成培训，内容聚焦Cybercab相关事故和应急处置，为后续向公众开放服务做准备。
J | 目前Robotaxi已进入商业化拐点。特斯拉Robotaxi业务目前覆盖七大区域，其中2州6城无监督运营，无监督驾驶累计超38万英里，近数月周度里程保持双位数增速，服务期间零重大事故，累计付费里程接近250万英里；Waymo近期获批扩大自动驾驶出租车服务，涉及加州18个县，在洛杉矶和旧金山周边的服务区域将扩大至原来的三倍以上。”他说，“这几乎就是它们被训练出来要做的事情。” 在人类心理学中，这种现象对应着经典的“探索—利用困境”（exploration-exploitaion dilemma）：是继续选择过去证明有效的方法，还是尝试新的可能？就像出去吃饭时，你会纠结是去一家没吃过的新店，还是继续光顾那家不会踩雷的老餐馆。 对于大语言模型来说，这种取舍往往更加偏向后者。因为它们长期接受数学、编程和科学任务训练，而这些任务通常鼓励模型从少量例子中快速归纳规律，所以它们很容易过早下结论。 国内萝卜快跑、小马智行、文远知行等也在加速布局。也正因为如此，那些推理能力更强的新模型——例如 OpenAI 的 o3 和 DeepSeek 的 R1——在实验中反而表现出了更明显的偏见。长城证券认为，伴随自动驾驶国标落地，L3、L4级别自动驾驶硬性约束明晰，智能驾驶的竞争逐步转向安全为主，行业壁垒进一步提高。
K | Liu 说，“当这种快速归纳的能力被带入社会场景时，问题就开始出现了。” 康奈尔大学计算机科学家 Angelina Wang 没有直接参与这项研究，但她认为，这项工作来得正是时候。如今，各家公司都在为聊天机器人加入长期记忆和个性化能力。同时如奇瑞等国内传统车厂持续加码智能驾驶，传统车厂与技术厂商合作落地，通过轻资产换取全栈智能，逐步在算法数据等环节缩小与头部厂商差距，高阶智驾量产能力快速提升，持续看好智能驾驶产业链投资机会。当模型越来越依赖于用户过去的互动记录时，它也可能越来越容易根据这些有限经验形成判断。
L | （文章来源：财联社）。她说，“它可能会过度依赖自己过去遇到过的行为模式。” 当然，解决办法并不是让 AI 什么都记不住。毕竟，大多数用户都希望聊天机器人能够记住自己说过的话。真正困难的是找到那个平衡点：既保留足够的记忆提供个性化体验，又不至于让模型因为这些经验形成新的偏见。
M | 研究人员还尝试了另一种办法，直接告诉模型：请公平一点。但并不奏效。Liu 认为，这说明模型未必真的能够把“公平”这样的价值观落实到具体决策中；又或者，这种要求会被另一个更强的目标覆盖——尽可能提高招聘成功率。 但如果换一种方式，情况就不同了。研究人员告诉模型，如果能够实现更加多元化的招聘，它们还能获得额外奖励。模型的偏见随即大幅下降。这说明，与其不断强调公平，不如直接把公平写进模型的目标函数里，让社会价值真正成为模型优化的一部分。 研究人员还发现，当模型掌握更多真正与任务相关的个人信息时，偏见也会减轻。另一组实验中，模型需要帮助来自不同族群的人搬迁到加拿大不同城市。
N | 如果提供的是年龄、教育背景等与适应新城市能力相关的信息，模型就更倾向于依据这些个人特征做判断，而不是简单按照族群分类。但如果提供的是发色、纹身图案这类无关信息，模型很快又会重新回到按族群做决定的老路上。 至于现实中的 AI 招聘系统会不会出现同样的问题，目前还没有明确结论。实验中的模型每做完一次招聘，都能立刻知道结果；现实世界却不是这样。一家公司往往需要几个月甚至更长时间，才能判断一位员工是否真正适合岗位。不过，只要这些反馈持续积累，模型依然可能从有限的数据中过度总结经验，并把这些经验带到下一次招聘中。 随着越来越多企业开始使用大语言模型筛选简历、甚至参与面试，这项研究释放出的信号不容忽视。未来，AI 不只是可能复制人类已有的偏见。它还可能在不断学习和决策的过程中，创造出一种从未有人教过它的新偏见。正如 Liu 所说：“这种新的偏见，可能会一直存在。” 原文链接： https://www.technologyreview.com/2026/07/20/1140655/ai-biases-hiring-humans/。
Current article:http://qd3.pochehaihuandangfenzei.shop/list_6dadwd/6jnfox.html
Published on:00:00:00
