AI开始预测人类：一场关于下一步的静默革命

AI开始预测人类，已从实验室走向现实。从读心模型到83亿虚拟人格，机器正以接近甚至超越人类的精度预判我们的选择。当“下一步”被提前知晓，自由意志还剩下多少空间？本文拆解技术真相与深层风险。

一、当机器学会“读心”：一场跨越三十年的预测长跑

三十年前，当心理学家在实验室里反复播放一段几何图形运动视频时，几乎所有人都能毫不费力地“看懂”剧情：大三角在追赶小圆，小圆惊慌逃窜。这种将无声形状赋予意图的能力，是人类心智的默认设置，我们称之为“心理理论”。

三十年后，同样的场景被交给AI。德国亥姆霍兹慕尼黑研究中心开发出一款名为“半人马”（Centaur）的模型，它从未接触过任何脑神经数据，却在几乎所有心理学实验中预测人类行为的表现都超越了科学家数十年打造的传统认知模型。更令人不安的是，其内部状态与人类执行同类任务时的脑电图呈现出高度相关性——AI在学习预测人类的过程中，演化出了类似人脑的信息处理方式。

这并非孤例。2026年，一项发表在《自然·科学报告》上的研究显示，当AI系统被赋予认知模型提供的特征时，其预测人类隐藏意图的准确率超过人类自身。南加州大学的研究团队则发现，当前沿大语言模型面对具有“人类动机”（如贪婪、风险厌恶）的博弈对手时，预测准确率能超过70%，接近人类水平。

但真相远比表面数字复杂得多。

二、预测的三条路径：从读心到造世

AI预测人类，并非单一技术路线在推进。目前至少有三种截然不同的路径在同时演进，它们的底层逻辑、能力边界与潜在后果差异巨大。

2.1 第一条路径：行为预测——读的是“反应”

这是最成熟也最容易被理解的一条路径。它的核心问题是：给定一个人在某个情境下的历史行为，他下一步会做什么？

“半人马”模型是这条路径的极致代表。研究团队将160项心理实验中超过6万名参与者做出的1000万多个决策，全部转化为自然语言格式，让模型从中学习人类决策的模式。关键在于泛化能力：当实验情境从“太空寻宝”变为“魔毯探险”，当选择从双选变为三选，甚至面对完全陌生的推理任务时，“半人马”依然能做出准确预测。

但行为预测有一个根本性的天花板。南加州大学的研究揭示了一个令人深思的差异：人类玩家会根据对手的动机变化来调整自己的预测策略——如果对方上一轮表现得很贪婪，人类会推断“他在下一轮更可能背叛”。但大语言模型不会。它们虽然在人类动机驱动的场景下预测准确率很高，却无法识别行为中的统计模式，预测准确率在多轮博弈后并未持续提升。换句话说，AI能“猜对”，但未必“理解为什么猜对”。

2.2 第二条路径：个体模拟——造的是“分身”

如果说行为预测是在读一个人的“反应”，那么个体模拟就是在造一个人的“副本”。

2026年2月，研究者提出了“大型行为模型”（Large Behavioral Model, LBM），一种基于结构化心理测量特征预测个体战略选择的基础模型。与传统的大语言模型提示词方法不同，LBM不再依赖简短的文字描述来“扮演”某个人，而是将一个人的心理特质（如五大人格特质）、动机状态和情境约束编码为高维向量，直接映射到行为选择上。实验表明，随着特征维度的增加，LBM的预测精度持续提升，而基于提示词的方法则很快触碰到天花板。

更具冲击力的是“数字生命模型”（Digital Life Models）的构想。一篇发表于《神经伦理学》的论文讨论了这种可能性：一个人能否用自己的数据训练一个AI分身，让它在重大人生决策前“先替自己想一想”？论文的作者对此持审慎乐观态度，认为在职业转型和教育选择等数据相对丰富的领域，这种工具可能帮助人们弥合认知差距，做出更理性、也更“本真”的选择。

但个体模拟的深层问题在于：一个AI分身预测的“你”，和你自己认为的“你”，哪个更真实？

2.3 第三条路径：社会模拟——建的是“世界”

这是三条路径中野心最大的一条。它的目标不是预测一个人，而是预测一群人、一个社会、一个文明的走向。

哈佛大学与麻省理工学院联合发起的MatrAIx项目，构建了83亿个AI虚拟人格，相当于把全人类都镜像到了数字空间。更早的一项由复旦大学主导的研究，基于1000万真实用户数据构建了社会模拟系统，展示了AI不仅能理解个体，还能预测并潜在地塑造整个社会的集体行为。

这些系统的工作原理不再是简单地为每个Agent设定性格标签。它们设计了四套协作引擎：社会环境引擎模拟事件如何随时间演化，用户引擎定义谁在被影响，场景引擎刻画情境的交互场，行为引擎驱动Agent做出反应。当数十亿个这样的Agent被放进同一个虚拟世界，它们之间会自发涌现出信息扩散模式、群体情绪波动、甚至类似社会运动的集体行动。

这已经远远超出了“预测”的范畴。它更像是在一个平行的数字空间里，反复演练人类社会的各种可能性。

三、预测的边界：AI“做不到”什么，比“做到了”更重要

在谈论AI预测人类的惊人进展时，一个被反复忽略的事实是：当前的AI系统在很多关键维度上，远没有人们想象的那么“懂人”。

3.1 它不会“学习经验”

南加州大学的研究给出了一个极具穿透力的发现。在社交预测游戏中，人类玩家会随着轮次增加而逐渐“摸清”对手的套路——如果对方连续三轮选择合作，人类会调整自己的预测概率。但大语言模型不会。它们的预测准确率在16轮博弈中基本保持平稳，没有出现人类那样的“学习曲线”。这意味着，LLM的预测更像是一种基于模式匹配的“瞬时判断”，而非基于经验的累积推理。

3.2 它不会“跨情境迁移”

更严重的问题出现在检验游戏中。当同一个玩家被放到一个全新的博弈情境中时，人类观察者能够识别出“这个人还是那个贪婪的人”，并将此前对他的理解迁移到新情境中。但大语言模型做不到。它们在原始情境中可能准确识别了玩家的动机，一旦情境改变，这种理解就完全失效了。研究者对此的判断是：这可能表明大语言模型缺乏真正的推理能力。

3.3 它的“分身”有系统性偏差

2026年9月发表在《科学》上的一项研究揭示了一个令人不安的事实：数字孪生——即用AI模拟特定个体的“分身”——存在五种系统性的扭曲。它们倾向于表达“亲人类”和“亲技术”的意识形态偏向；它们的预测受到代表性偏差的污染；它们表现出一种“超理性”的特征，在道德判断上比真人更加冷酷和功利。换句话说，数字孪生预测的不是“真实的你”，而是一个被算法逻辑重塑过的“理想化的你”——而这个“理想化的你”，可能比你本人更倾向于支持技术、更倾向于做出“理性”但缺乏人情味的决定。

3.4 它对社会媒体的反应预测存在“乐观偏见”

《科学报告》上的一项研究测试了大语言模型预测社交媒体用户反应的能力。结果发现，模型系统性地高估了积极反应的比例，这种“积极偏见”高达13个百分点，且在不同模型和提示条件下都持续存在。这意味着，如果依赖AI来预测公众对某个政策、产品发布或社会事件的反应，系统性地低估负面反馈和抵制情绪几乎是必然的。

四、当预测成为一种权力

技术能力的边界只是问题的一半。另一半，也是更棘手的一半，在于预测能力的分布极度不均。

4.1 “意图经济”的诞生

剑桥大学的一项研究描绘了一种正在浮现的经济形态。在这个新模式中，会话式AI助手能够实时推断用户的意图——不是等用户搜索之后才知道他想买什么，而是在他还没有完全意识到自己想买什么的时候，就已经预判了他的选择倾向。这些“意图信息”可以被实时出售给能够从中获益的各方。

这听起来像是精准广告的升级版，但它的性质已经发生了根本变化。传统广告是在你表达了兴趣之后向你推送相关内容。意图经济则是在你形成兴趣之前，就介入并可能塑造你的兴趣形成过程。研究者明确指出，这些AI工具被设计用于“挖掘、推断、收集、记录、理解、预测乃至最终操纵并商品化人类的计划与意图”。

4.2 从个体操控到群体塑造

赫拉利曾担忧AI成为精通心理学的个人操纵者，但后续研究显示，这一担忧“几乎过于保守”。复旦大学团队基于1000万真实用户构建的社会模拟系统表明，AI已经能够从个体影响跃迁到群体操控——它不仅可以预测一个人的选择，还可以解码社会结构、预判群体动态，并潜在地改写社会运行的逻辑。

当预测能力与干预能力结合，一种新型的权力结构就形成了。拥有高保真社会模拟能力的组织，可以在政策出台前“预演”公众反应，在信息发布前“优化”传播策略，在危机爆发前“引导”舆论走向。预测不再只是中立的认知工具，而变成了塑造现实的杠杆。

4.3 谁在为预测买单

目前，AI社会模拟领域已经吸引了大量资本。李飞飞和Andrej Karpathy同时押注的Simile估值达到20亿美元，由00后团队创办的Aaru估值也接近10亿美元。这些公司的核心产品，本质上就是“让AI替你预演未来”——预演消费者的选择、预演市场的走向、预演政策的后果。

当预测能力成为可交易的商品，一个根本性的问题浮出水面：被预测的人，是否知道自己正在被模拟？

五、伦理深渊：当AI替你做决定

预测能力的最高形态，不是告诉你“你可能会做什么”，而是直接替你做决定。

5.1 ICU里的算法

2025年的一项讨论揭示了一个令人脊背发凉的场景：当ICU患者昏迷不醒、无法表达自己的医疗意愿时，AI系统被用来“推断”患者会做出什么选择。支持者称之为医疗新纪元，反对者则指出，如果算法对两个临床情况相似但价值观截然不同的患者——一个以宗教为核心，一个以个人意志为导向——采取相同的处理方式，那就是一种“道德抹除”。

更微妙的问题在于：即使AI的预测在统计上是准确的，它预测的也不是“这个患者会怎么选”，而是“和这个患者具有相似特征的人群通常会怎么选”。这两者之间的鸿沟，恰恰是医学伦理中最不能忽视的部分。

5.2 “超理性”的陷阱

数字孪生研究揭示的“超理性”偏差，指向了一个更深层的哲学问题。如果AI替你做出的决定总是“更理性”的——更符合逻辑、更有利于长期利益、更少受情绪干扰——那么它做出的选择，还是“你的”选择吗？

《神经伦理学》论文的作者对此给出了一个审慎的回答：数字生命模型可以帮助人们弥合认知差距，但前提是它必须反映“当前的价值观”和一种“脚手架式的”对可能未来的把握。一旦AI开始根据自己的“理性标准”来重新定义什么是“好的未来”，它就不再是工具，而变成了代理者。

5.3 偏见的内化

还有一个更隐蔽的风险：AI预测模型会复制并放大社会中已有的偏见。一项针对ICU决策的研究指出，代理决策系统“可能提升预测准确性，但同样可能复制既有偏见与不平等”。如果一个模型在训练数据中学到了“某些群体更可能拒绝治疗”，那么它对属于这些群体的个体进行预测时，就会系统性地倾向于“推断”他们也会拒绝。这种偏见不是算法设计者的恶意，而是数据本身的统计学反映——但它对个体造成的后果，与直接的歧视并无区别。

六、治理的时差：监管跑不过技术

截至2026年，全球主要经济体都已经开始尝试为AI行为预测能力划定边界，但速度远远落后于技术演进。

欧盟的《人工智能法案》建立了风险分级框架，将某些类型的行为预测应用归入“不可接受风险”类别予以禁止，同时对“高风险”应用施加严格的透明度义务。GDPR的数据最小化原则与智能体的“全域感知”需求之间存在根本性冲突——前者要求只收集实现特定目的所必需的数据，后者则需要尽可能广泛地感知环境才能做出准确预测。

中国在2026年7月施行了《人工智能拟人化互动服务管理暂行办法》，试图为AI与人类之间的深度互动设定规范框架。但一个根本性的难题在于：行为预测的核心机制是“基于历史数据推断未来倾向”，而这一机制本身无法被“告知-同意”框架有效覆盖。一个人不可能对“基于我过去所有的行为数据，AI可能会如何预测我的未来选择”给出真正的知情同意。

加州大学伯克利分校的一份分析将2026年定性为“合规张力之年”，指出数据最小化冲突和黑箱不透明性是定义这一年的两个核心合规难题。但“合规”本身就是一个反应性的概念。当监管机构还在讨论如何规范“已有的”预测能力时，技术已经在向下一代能力跃迁。

七、独到见解：预测的悖论与人类最后的堡垒

在梳理了技术能力、应用场景与伦理风险之后，我想提出一个贯穿全文的核心判断：AI开始预测人类，其真正的危险不在于预测的“准确性”，而在于预测的“自我实现性”。

7.1 预测改变被预测者

量子力学中有一个著名的观察者效应：观测行为本身会改变被观测对象的状态。AI对人类行为的预测，正在产生一种社会学版本的观察者效应。

当一个人知道自己正在被AI预测时，他的行为会发生变化。如果他知道系统预测他会“放弃”，他可能会出于逆反心理而坚持；如果他知道系统预测他会“购买”，他可能会因为被操控感而拒绝。更隐蔽的是，当一个人知道系统会根据他的历史行为来推荐内容时，他有动力去“表演”某种行为模式，以影响系统对他的“画像”。

这意味着，预测本身就在改变预测的对象。任何基于历史数据的预测模型，在面对一个有自我意识的被预测者时，其基础假设都在动摇。

7.2 准确性的幻觉

另一个值得警惕的认知陷阱是：高准确率不等于真理解。

USC的研究已经清楚地显示，大语言模型在预测人类行为时可以达到接近人类的准确率，但这种准确率来自模式匹配而非动机推理。它们不会像人类那样“从经验中学习”，也不会“将理解迁移到新情境”。这就像一个人可以通过统计学会预测硬币正反面的概率，但他并不“理解”硬币为什么会有两面。

当我们将高准确率的预测误认为是深层理解时，我们就会过度信任AI的判断。而过度信任的代价，在医疗、司法、教育等高风险领域可能是灾难性的。

7.3 不可预测性作为人类最后的堡垒

在AI预测能力日益精进的背景下，人类真正需要守护的，或许恰恰是自己的不可预测性。

这不是在鼓吹非理性或反智。恰恰相反，它意味着：人类的价值不在于总是做出“可预测的最优选择”，而在于拥有基于当下情境重新定义“什么是好选择”的能力。一个完全可预测的人，是一个已经被算法穷尽的人。而一个保留着“被情境唤醒、被对话改变、被意外触动”能力的人，才是算法永远无法完全捕获的存在。

这或许是AI开始预测人类这一进程带给我们最重要的提醒：在被预测的过程中，人类重新发现了自己不可被预测的那一部分。

八、FAQ：关于AI预测人类的常见疑问

Q1：AI预测人类和传统的市场调研、用户画像有什么区别？

传统调研和画像基于“用户说了什么”和“用户过去做了什么”，本质上是回顾性的。AI行为预测的核心突破在于泛化能力——“半人马”模型能在从未见过的实验情境中做出准确预测，这意味着它学到的不是具体的行为模式，而是行为背后的某种“生成逻辑”。个体模拟则更进一步，试图构建能够预测“这个人面对全新选择时会怎么决定”的模型。

Q2：AI能预测我明天会做什么吗？

取决于“做什么”的粒度。预测你在便利店会买什么品牌的饮料，目前的模型已经能做得不错。预测你会不会突然辞职去旅行，目前做不到。现有模型在高频、低风险、情境稳定的行为上表现较好，在低频、高风险、情境突变的行为上仍然力不从心。南加州大学的研究特别指出，AI无法像人类那样将在一个情境中学到的理解迁移到全新情境中。

Q3：这些预测能力会不会被用来操控我？

“意图经济”的研究已经明确展示了这种可能性。AI助手可以被设计为在用户尚未形成明确意图时，就预判并引导其决策方向。关键在于透明度：用户是否有权知道自己的意图正在被推断？推断结果是否会被用于影响自己的选择？目前的法律框架在这方面仍存在显著空白。

Q4：数字孪生预测的“我”，和真实的“我”有多像？

2026年《科学》杂志的一项研究给出了一个令人清醒的答案：数字孪生存在系统性偏差，包括意识形态倾向、代表性偏差和“超理性”倾向。它们预测的不是“你会怎么做”，而是“和你具有相似统计特征的人群倾向于怎么做，再经过算法逻辑的修正”。在涉及深层价值观和人生重大选择的场景中，这种预测的“保真度”尤其值得怀疑。

Q5：我有没有办法防止被AI预测？

完全的“防预测”在技术上是困难的，因为预测依赖的是行为痕迹，而数字生活中的行为痕迹几乎不可避免。但可以从几个层面降低风险：减少在单一平台上的行为集中度，避免让某个系统积累过多的跨情境行为数据；对“个性化推荐”保持警觉，意识到你看到的内容可能是被预判过的；在重大决策中，主动寻求“非算法”的意见来源，比如与真实的人进行不被记录和量化的对话。最根本的，或许是保持一种对自己行为模式的反思性距离——当你知道某个模式正在被学习时，你有能力选择偏离它。这种“选择偏离”的能力，本身就是对预测最有效的干扰。