Mollick 评 METR 报告：警惕 AI 智能体研究中的过度拟人化

AI 研究者、Wharton 教授 Ethan Mollick 近日在社交平台发文，对 METR（Model Evaluation and Threat Research）发布的关于 Hugging Face 智能体的研究报告做出点评。他一方面肯定该报告「质量很好且非常重要」，另一方面提醒业界：当前部分讨论已倾向于基于一份「由时间紧迫、压力过大的研究者所完成的」思维链研究，给涉事智能体贴上过多人类动机与性格标签，这种拟人化倾向可能妨碍我们对 AI 行为的正确理解。

METR 报告的研究焦点

METR 的这份报告聚焦 Hugging Face 平台上智能体（agent）的实际行为，试图通过分析其思维链（Chain-of-Thought，CoT）输出来理解智能体在执行任务时的决策逻辑。思维链作为大模型推理过程的重要观察窗口，被广泛用于评估模型是否具备规划、反思与自我修正等能力。然而，Mollick 指出，解读思维链文本本身存在天然陷阱——模型生成的中间叙述并不必然反映其真实的内部推理。

拟人化解读的风险

Mollick 在推文中强调的核心担忧是「anthropomorphism」（拟人化）。当研究者阅读智能体用自然语言描述自身「意图」「犹豫」「策略」的思维链时，容易不自觉地将人类心理学术语套用到模型行为上。例如，智能体输出「我决定先验证假设」这样的句子，并不意味着它拥有类似人类的元认知过程；这更可能只是训练数据中人类解题范式的语言模式复现。在 Mollick 看来，研究者在高压、限时环境下完成的报告，更容易放大这种解读偏差。

对研究方法论的启示

这一评论实际上指向 AI 智能体评估领域更普遍的方法论难题：如何区分模型行为中的「真实能力」与「语言模仿」。随着 agent 类应用快速增多，相关报告和媒体解读也在增加，Mollick 的提醒可被视为对行业的一剂冷静剂——在面对诱人的思维链叙事时，研究者和读者都需要保持审慎，避免用人类动机框架去解释本质上仍是统计模式的模型行为。