一 | 在持续火爆但波动性极高的人工智能（AI）交易中，高盛最新报告或许能让人一窥专业投资者的思路。 高盛表示，对冲基金对人工智能交易的敞口仍然比共同基金更大，但两类基金在2026年第二季度都调整了人工智能股票的仓位。 （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。而且，它们对于大型科技股和半导体等个股的选择也截然不同。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。 这些发现基于高盛的《季度对冲基金趋势监测报告》和《共同基金基本面》报告，该报告分析了截至2026年第三季度初，991家持有5.4万亿美元总股票头寸的对冲基金和504家持有4.6万亿美元股票资产的大型主动型共同基金的持仓情况。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。 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。
二 | 先说相同之处：报告显示，上个季度对冲基金和共同基金都增持了Bloom Energy、Flex和希捷科技的股票。Bloom Energy和Flex提供AI数据中心的电力和制造基础设施，希捷科技则直接受益于AI存储需求的爆发式增长。而这些记忆，也可能成为模型滋生偏见的土壤。 简单而言，两类机构在人工智能基础设施领域达成了广泛共识。 高盛在第二季度整理出12只同时获得对冲基金和共同基金增持的AI基础设施股票：美国电力公司、AXT、Bloom Energy、CoreWeave、Flex、Lion Electric、NiSource、Sanmina、SiTime、希捷科技、Talen能源和Xcel能源。 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。
三 | 实验改编自一项经典心理学研究。 然而，在大型科技股和半导体个股上，两类机构态度截然不同：高盛指出，在市值巨大的人工智能公司中，对冲基金在本季度抛售了大部分股票，只有微软和亚马逊是例外，对冲基金买入了这两只股票。然而，共同基金在本季度却抛售了这两只股票。
四 | 具体而言，对冲基金减持了以下几家大型AI公司：Alphabet、Meta Platforms、英伟达、博通、泛林集团、迈威尔科技、思科系统、慧与科技和应用材料。
五 | 另一方面，共同基金买入了AMD、美光科技和闪迪的股票，而对冲基金则卖出了这三只股票。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。 高盛指出，近几个月来，对冲基金的回报及其最受欢迎持仓的回报与人工智能交易的波动密切相关，而今年人工智能基础设施股票在共同基金投资组合中的权重大幅上升，但未能跟上基准权重的步伐，导致共同基金在该领域的权重严重不足。 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。 高盛数据还显示，在追踪的所有AI相关股票中，英伟达是共同基金低配幅度最大的股票，平均低配幅度约为100个基点。完成招聘后，它会立刻得到反馈：这个人是否胜任工作。
六 | 随后进入下一轮。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。AMD的低配幅度约为60个基点。 除了人工智能配置之外，高盛数据还显示，对冲基金和共同基金目前都超配金融板块。 按理说，模型不应该偏向任何一个群体。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。这在高盛历史数据中第三次出现。这两个集团买入的大盘股包括第一资本金融公司（Capital One Financial）、Corpay、Fiserv和盈透证券（Interactive Brokers Group）。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。
七 | 数据显示，第二季度，对冲基金对金融板块的净持仓增加了300多个基点，达到全球金融危机以来该板块的最大持仓；而共同基金对金融板块的持仓也增加到至少2012年以来的最大超配水平。 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。更令人意外的是，这种倾向甚至比真人严重。
八 | 此外，两类基金都大幅超配医疗保健板块，但在消费板块的配置倾向上有所不同。对冲基金超配可选消费板块，低配必需消费板块，而共同基金则持相反立场。
九 | 高盛还确定了本季度对冲基金和共同基金投资组合中最受欢迎的六只股票：波音、第一资本金融公司、万事达卡、SpaceX、赛默飞世尔科技和Visa。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。该行指出，由这些共同青睐的股票组成的滚动投资组合年初至今已累计回报29%，跑赢标普500等权重指数16%的回报率。
（文章来源：科创板日报）。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%。
十 | 其中，OpenAI 的推理模型 o3 得到了 1.83，非常接近理论最高值。
十一 | 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。“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。”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。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。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。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。
十二 | 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。 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。
十三 | 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。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://h14wt5.hanninhuaxituochunkui.pics/6p7y/20260826/354117.html
Published on:03:00:11