AI模型政治倾向研究：Grok与GPT在选举推荐中分歧超90%

一项新研究发现，当被要求在两党候选人中二选一时，xAI的Grok模型压倒性地推荐共和党候选人，而OpenAI的GPT模型则倾向于民主党。在近500场选举对决中，两个模型的推荐结果不一致率超过90%。

研究核心发现：超过90%的对决结果相反

该研究测试了Grok和GPT在近500场选举中的表现，要求模型在民主党和共和党候选人之间做出选择。结果显示，两个模型不仅各自表现出明显的党派偏向，而且在绝大多数情况下给出了相反的推荐——分歧率超过90%。

这意味着，如果你分别向Grok和GPT询问同一场选举该投给谁，你得到相反答案的概率远高于得到相同答案的概率。这一发现直接挑战了“AI模型在政治问题上保持中立”的普遍假设，也引发了关于AI系统是否在潜移默化中输出特定政治立场的讨论。

模型背后的公司基因与训练数据偏差

Grok由Elon Musk旗下xAI开发，Musk本人近年来多次公开表达对共和党的支持，并频繁批评民主党的政策。Grok在训练和调优过程中是否受到了这种倾向的影响，目前没有公开的官方说明，但研究结果与这一背景形成了耐人寻味的呼应。

OpenAI的GPT系列则呈现出相反方向的偏向。两家公司在模型对齐策略、安全微调、以及训练数据筛选上的差异，可能是造成推荐分歧的技术根源。大语言模型的输出往往反映了训练语料中的统计规律和人类反馈强化学习（RLHF）阶段标注者的偏好，而这些环节中任何细微的偏差都可能被放大为系统性的政治倾向。

RLHF（基于人类反馈的强化学习） 是目前大语言模型对齐训练的核心技术之一。其基本流程是：先让模型对同一问题生成多个回答，再由人类标注者对回答进行排序或打分，训练一个奖励模型来学习人类的偏好，最后用强化学习算法（如PPO）优化语言模型，使其输出更符合人类偏好。关键在于，标注者的价值观、文化背景和政治倾向会不可避免地渗入奖励信号中，进而被模型习得并放大。即便标注团队力求中立，标注指南的设计、样本的选择以及标注者之间的一致性，都可能引入系统性偏差。因此，RLHF在提升模型有用性和安全性的同时，也可能成为政治倾向的传播通道。

对AI中立性的现实拷问

这项研究的意义不止于两个模型谁更“偏向”谁。超过90%的分歧率说明，AI在政治推荐上的行为并非随机噪声，而是系统性的、可复现的方向性偏差。对于越来越依赖AI获取信息的用户来说，这意味着同一个问题在不同模型上可能导向截然不同的政治判断。

更值得关注的是，这种偏差出现在“被迫二选一”的强制选择场景中。现实中用户很少这样提问，但模型在被迫表态时暴露出的倾向，恰恰揭示了其底层价值观对齐的深层问题——当AI被要求给出明确答案时，它倾向于朝哪个方向靠拢。

强制选择（forced-choice） 是心理学和政治学研究中常用的测量方法，通过要求受试者在两个选项中必须择一来揭示其潜在偏好，避免“不确定”“中立”等回避性回答掩盖真实倾向。在AI评估中，强制二选一同样能暴露模型在自由生成时可能隐藏的倾向性——当模型被允许自由回答时，它可能给出平衡或多角度的表述，但在被迫表态时，其底层概率分布所偏向的方向就会显现。这种方法论的局限在于，它测量的是模型在特定提示下的输出行为，而非模型“内在信念”，且结果对提示词措辞、选项顺序和上下文高度敏感，因此解读时需谨慎。

行业影响与待解问题

随着AI助手在信息检索和决策辅助中的角色日益加重，模型政治倾向的透明度将成为监管和用户信任的关键议题。当前主流AI公司普遍声称致力于政治中立，但这项研究表明，中立性需要可验证的审计机制，而非仅靠公司声明。

研究尚未公开披露具体测试的选举范围、提示词设计方式以及模型版本等细节，这些因素都会显著影响结果的可比性。后续需要更多独立复现研究来确认偏差的稳定性和规模。