风险下AI决策分析显示大语言模型涌现前景理论

风险判断是不确定性下决策的核心，而人类在这件事上并不像抽象理性主义者那样行事——这正是 Kahneman 和 Tversky 前景理论的起点：当人觉得自己正在失去什么时，往往比面对可能的收益时更愿意冒险。Kenneth Payne（King's College London）把这个问题转向机器：大语言模型在风险决策中是否也表现出同样的偏离？这项研究之所以值得现在看，是因为今天的前沿模型已经不只是单次生成，还包括 o3、Sonnet 4 这类带扩展 chain-of-thought 的「推理器」，它们常被期待做出更「理性」的判断。作者声称这是首次用 LLM 系统测试前景理论，这个定位本身就让这份资料有阅读价值。

方法上，实验复刻了 Kahneman 和 Tversky 的经典设计，但做了几处有意改动。场景全部原创（见附录 B），且每题给三个选项而不是经典实验的两个，目的是保证这些决策不会出现在模型的训练数据里。所有场景保持等期望值：按数学理性，功利主义者应当在选项间中立，实际选择因此可以归因于场景框架所激活的风险偏好。测试对象是五个模型：GPT-4o、o3、Claude Sonnet 4（分带 thinking 与不带 thinking 两种）、Gemini 1.5 Pro，覆盖普通大规模 transformer 与带自主 CoT 推理两类。此外还有一个对照条件：把所有自然语言剥离，只给模型纯数学形式的决策核心，用来分离语言本身的作用。

结果的核心是：与人类相似，前景理论常常能预测这些模型在多种场景下如何接近风险决策。但作者更强调的是情境——他报告情境解释了风险偏好中很大一部分方差，「frame」并不只是抽象的得与失，而是嵌在模型所处理场景的语言之中。具体而言，在 ceteris paribus 条件下，军事场景产生的框架效应远大于民用场景。换句话说，同样是等期望值的选择，仅仅因为场景被描述成军事的还是民用的，模型的冒险倾向就会出现明显差别。

作者由此提出，框架的概念比「收益域/损失域」更丰富：重要的是什么样的得失在起作用。他借 Wittgenstein 的「语言游戏」来说明，这些场景激活的是有条件的、局部的偏见，而不是一套统一的偏差。这一发现也被用来重新框定当前关于 LLM 究竟在「推理」还是在「记忆」的争论：作者假设语言捕捉了人类的适应性判断，模型习得了语言，也就习得了偏见；场景的叙事塑造了模型给出的理由的叙事，而这本身就构成推理。他同时引用人类研究佐证框架效应并非普遍认知现象，而是受语境和语义中介的——例如 Mandel 发现经典「亚洲疾病问题」的框架效应在考虑语言语境如何影响数字量词理解后基本消失，Hermanns 和 Kokot 在七个欧洲国家发现健康场景比等价的「炸弹」场景有更强风险厌恶。

这意味着什么？如果模型的冒险倾向会随场景措辞（尤其是军事/民用这类语义差异）系统性变化，那么把 LLM 放进决策流程时，提示词的写法本身就是一个变量——这是解读，不是作者的原文结论。作者的判断更克制：语言模型「语言着」世界，捕捉了人类的启发式与偏见，但这些偏见是不均匀的。对实践的含义是，不能假定模型在等期望值选项间保持中立，也不能假定同一模型在不同语义领域里的风险偏好一致。

这份资料适合关注 AI 决策、机器心理学（machine psychology）以及 LLM 评测的研究者和工程实践者读；读完能拿走的是一套可复用的实验思路——原创三选项场景、等期望值控制、自然语言与纯数学条件的对照——以及「框架效应在模型身上存在且不均匀」这一可检验的判断。边界也需说明：作者自述这是首次此类测试，结论用「often anticipates」而非普遍规律；模型矩阵缺了 Gemini 2.5-Pro，因为其内置安全护栏经常拒绝在军事场景中做所需决策，这本身也提示军事场景实验存在可得性限制；此外该文被引仅 2 次，说明这一方向尚在早期。

AN ANALYSIS OF AI D ECISION UNDER RISK : PROSPECT THEORY EMERGES IN LARGE LANGUAGE MODELS Kenneth Payne King’s College London [email protected] August 5, 2025 ABSTRACT Judgment of risk is key to decision-making under uncertainty. As Daniel Kahneman and Amos Tversky famously discovered, humans do so in a distinctive way that departs from mathematical rationalism. Specifically, they demonstrated experimentally that humans accept more risk when they feel themselves at risk of losing something than when they might gain. I conduct the first tests of Kahneman and Tversky’s landmark ’prospect theory’ with Large Language Models, including today’s state of the art chain of thought ’reasoners’. In common with humans, I find that prospect theory often anticipates how these models approach risky decisions across a range of scenarios. I also demonstrate that context is key to explaining