LLMs are stuck in a groupthink groove. This startup is trying to get them out.（2026-07-02）

你最近有没有问过ChatGPT一个开放式问题，结果得到了一个“标准答案”——既正确，又乏味，毫无惊喜？这并不是你的错觉。目前主流的大型语言模型（LLM）正在陷入一种“群体思维”的惯性：它们越来越擅长给出大多数人认为正确的答案，却越来越不擅长给出独特的、创造性的答案。这正是AI领域的“舒适区陷阱”。

当AI只会“求同”而非“存异”

群体思维的病根：训练数据的诅咒

LLMs的底层逻辑是“概率”。它们的训练数据是互联网上几十亿条文本，而这些文本中，最常出现的观点、最流行的表述往往占据了绝对优势。因此，模型为了追求低错误率，会本能的回避那些“小众但真实”的答案。结果就是：你问它“如何改良传统商业模式？”，它给你千篇一律的“数字化、平台化、生态化”——就像一个背了台词但毫无创意的销售。

一个直观的案例：AI与“奇葩说”

去年《自然》杂志有篇论文做过测试：让LLM为“是否应该全民基本收入”写论证。结果发现，几乎所有主流模型都倾向于给出偏左派的经济观点，而对于自由意志主义或传统保护主义的反论，不仅论证质量低，还经常出现逻辑断裂。原因很简单——互联网上支持UBI的语料是反对者的好几倍。

数据触目惊心：一项针对GPT-4、Claude-3、Llama-3的评测显示，在20个开放式创新问题中，70%的答案核心论点存在高度重叠。也就是说，不同模型其实在用不同的句子说着同一套“政治正确”的话。

这家初创公司如何“逆流挖金”

现在有一家名为Synthetic Diversity Labs的初创公司，试图打破这种“AI群体思维”。他们的方法不是给模型喂更多数据，而是构建一种“对抗性思维生成器”。

他们的核心理念：让AI学会“反主流”

传统AI训练是给一个正确的答案方向。而Synthetic Diversity Labs的做法是：每次训练时，强制模型为同一个问题生成至少三个截然不同的论证路径，并且这些路径必须符合逻辑、有数据支撑，哪怕它们相互矛盾。

具体做法：他们建立了一个“思想光谱库”。比如对于“远程办公是好是坏”，这个库不仅包含支持与反对，还细分了“从劳动者权益角度”、“从城市经济角度”、“从生态效率角度”等数十个维度。模型在输出前，必须先从这个光谱库中抽取三个随机向量，逼迫自己跳出概率惯性。

实用性建议：普通人如何避免“AI群体思维”

一个可期待的转变

如果我们继续容忍AI的群体思维，未来我们可能只会看到“最受欢迎”的新闻、文学和创意，而失去那些“最需要但最冷门”的真知灼见。Synthetic Diversity Labs的尝试，本质上是在给AI植入一种“认知多样性疫苗”——让模型在保证正确的前提下，学会“不合群”。

行动号召：你的下一句提问，可以改变一切

现在，请打开你最常用的AI工具，试着问它一个问题，然后立刻追问：“请给出一个完全相反但依然逻辑自洽的答案。” 如果你的AI做不到，至少你知道了一个正在为此努力的名字。而如果你想让AI真正为你所用，而不是让你随波逐流，那么，去关注那些敢于让模型“吵架”的团队——因为未来的创造力，藏在那些被概率压制的沉默角落里。

免责声明：本文所引用案例和数据来自公开学术预印本及第三方评测报告，旨在提供技术趋势观察，不构成对任何特定模型或公司的投资建议。AI技术的表现依赖于具体使用场景，请根据实际需求和专业判断进行决策。