主要观点：生成式 AI 模型虽表现“接近人类”，但常被忽视其反映的人类群体问题，这些模型往往反映西方文化窄版的多样性，训练数据多来自西方英语内容，导致全球大部分人口被排除，如 GPT 等模型响应国际调查时更倾向与美国文化相近的国家，继承了 WEIRD 心理学，具有文化和道德狭隘性。
关键信息：

• 模型训练数据存在暴露偏差，导致某些内容过度代表，造成真实人类多样性与算法表征间的差距。
• 生成的图像常反映西方主流形象，如手术团队、CEO 等多为白人男性，忽略了非西方群体，这是一种文化标准化。
• 用户应了解 AI 训练数据及背后的文化偏见，目前多数 AI 缺乏透明度，存在系统性排除现象。
• 伦理和工程交叉领域的代表性偏差不仅是理论问题，还影响组织运作，如在 HR、营销等领域。
  重要细节：
• 2023 年哈佛研究显示 GPT 响应与文化距离相关，Joseph Henrich 指出研究对象的心理文化是 outliers。
• 语言模型学习数据中的内容，忽略文化潜台词等，如认知测试中 GPT 倾向西方个体推理，而全球多数人倾向关系或情境分组。
• 文中列举多个生成式 AI 模型，如 Anthropic Claude 等，说明其在道德等方面的回答反映特定世界观。
• “Datasheets for Datasets”提议为机器学习数据集引入标准化文档，提高数据透明度。
• 解决结构性偏差需在设计过程中早期识别盲点，包括多样化训练数据、与多领域专家合作及重新思考评估方式等。