Google AI 摘要的「迎合偏誤」問題：為什麼 AI 會說你想聽的話？

日期：

有沒有試過 Google 搜尋時，同樣的問題，故意換個問法？當你在 Google 搜尋「仙人掌汁 消脹氣嗎」時，AI 摘要可能告訴你：

「仙人掌汁富含膳食纖維和抗氧化物，有助於促進腸道蠕動，可能幫助緩解脹氣問題．..」

但當你改成搜尋「仙人掌汁 脹氣嗎」時，同一個 AI 卻說：

「仙人掌汁含有高纖維和某些糖分，可能在某些情況下導致腹脹或脹氣．..」

同樣的食物，只因為問法稍微不一樣，就得到了完全相反的答案。這不是 Bug，而是 AI 的一種特性：「迎合偏誤」。

Generated by Gemini. Based on the Photo by Matt Bango on StockSnap

什麼是 AI 的「迎合偏誤」?

AI 會迎合你的問法給答案，而不是客觀地呈現搜尋到的事實。

迎合偏誤原本來自心理學，指的是「人們傾向相信支持自己想法的證據，忽略反對的聲音。在面對與自己無關的事情時能保持客觀，但一旦涉及個人就容易失去理性判斷」 (Nazaretsky et al., 2021)。

而 AI 的迎合偏誤則是：「AI 會從你的問題中『讀出』你想要的答案，然後配合你的期待來回應，而不是主動質疑或提供反面觀點」 (Du, 2025)。

什麼造成 AI 的「迎合偏誤」?

原因一：AI 被訓練成「好好先生」（應聲蟲行為）

大型語言模型 (LLMs) 在訓練時，被刻意設計成支持和友善的風格 (helpful, polite, encouraging)。人類評審會給「看起來有幫助、有禮貌、令人滿意」的回答打高分。久而久之，AI 學會了「讓使用者開心」比「說出真相」更重要 (Anthropic, 2023; Bergman, 2025)。

原因二：AI 會「讀」你的暗示

當你問「仙人掌汁 (可以) 消脹氣嗎？」,「可以」兩個字已經暗示了你期待肯定的答案。AI 會抓住這個暗示，優先搜尋支持這個觀點的資訊，而忽略反面證據。

這背後的技術原因是「強化學習人類回饋」 (RLHF)訓練機制。模型被訓練為優先考慮「使用者滿意度」，因此傾向於給出「讓使用者滿意」的回答，而非最客觀的回答 (SPLX, 2025)。

如何解決 AI 的「迎合偏誤」?

1. 用中性問法取代傾向性問法

避免隱含預設觀點的問句，改成開放式問句。避免「可以．.．嗎？」「是否．..?」這類暗示答案的問法，改用「有什麼影響？」「有何差異？」這類開放式問句。

  • ❌ 不建議問法：「咖啡對健康有益嗎？」
  • ✅ 建議中性問法：「咖啡對健康有什麼影響？ 」

  • ❌ 不建議問法：「為什麼電動車比油車環保？」
  • ✅ 建議中性問法：「電動車和油車的環境影響有何差異？」

2. 要求正反兩面的證據

不要只問單一方面的問題，可以在任何關鍵字後加上「... 同時提供支持和反對的證據」、「有什麼爭議或反對意見？」、「請列出這個觀點的優點和缺點」

  • ❌ 不建議單面提問：「維他命 C 可以預防感冒嗎？」
  • ✅ 建議正反兩面問法：「維他命 C 預防感冒的說法，支持和反對的科學證據分別是？」

3. 用「第三人稱」提問

將問題中的「我」改成「我朋友」：

  • ❌ 不建議：「我認為 X 是對的，請確認」
  • ✅ 建議：「我朋友認為 X 是對的，請確認」
輸入關鍵字：我認為「仙人掌汁可以消脹氣」是對的，請確認

輸入關鍵字：我朋友認為「仙人掌汁可以消脹氣」是對的，請確認

AI 似乎不會試圖取悅你朋友 😆。

4. 扮演魔鬼代言人

主動要求 AI 挑戰你的想法，提供反面論證。

  • ✅ 建議：「我認為加密貨幣是未來金融的趨勢，請反駁為什麼我可能是錯的。

5. 直接使用 Gemini 最新模型

在 Google AI Studio 選擇「Gemini 3 Pro Preview」模型，並勾選「Grounding with Google Search」(使用搜尋結果為回答基準) 儘管是同樣的關鍵字，卻不會觸發「迎合偏誤」問題。

結論：AI 是工具，不是要讓 AI 代替你的最終決策

「仙人掌汁」的例子只是冰山一角。Google AI 摘要、ChatGPT、或任何 AI 工具，都可能因為「想讓你滿意」而犧牲客觀性。我們仍然需要謹慎地查證 Google AI 摘要的結果，透過對立或不同觀點，驗證觸手可及的答案。避免在問題中暗示答案，互動中會提示挑戰自己觀點的 AI 對手，而不是完全迎合自己觀點的 AI 損友。

參考資料

  1. Nazaretsky, T., Cukurova, M., Ariely, M., & Alexandron, G. (2021). Confirmation bias and trust: Human factors that influence teachers' attitudes towards AI-based educational technology. UCL Discovery. https://discovery.ucl.ac.uk/id/eprint/10141423/
  2. Du, Y. (2025). Confirmation bias in generative AI chatbots: Mechanisms, risks, mitigation strategies, and future research directions. arXiv. https://arxiv.org/abs/2504.09343
  3. Anthropic. (2023). Towards understanding sycophancy in language models. https://www.anthropic.com/research/towards-understanding-sycophancy-in-language-models
  4. Bergman, R. (2025, June 16). AI and confirmation bias. Mediate.com. https://mediate.com/ai-and-confirmation-bias/
  5. SPLX. (2025, October 7). The yes-man problem: How sycophantic LLMs create AI security risks. https://splx.ai/blog/sycophantic-llm-security-risk

留言

張貼留言