AI也有人設？研究剖析7大AI內在性格：GPT最仁愛、Claude最謙遜⋯這2款AI最失控|數位時代 BusinessNext

AI也有人設？研究剖析7大AI內在性格：GPT最仁愛、Claude最謙遜⋯這2款AI最失控

研究揭露9大語言模型展現出不同價值傾向， GPT-4o 重視成就、DeepSeek-V3 最守規則，Grok 2 最具創意但最不穩定。

AI 模型有「人設」嗎？AI 倫理與政策研究團隊 AI Alt Lab 與 FindYourValues.com 合作的一項最新研究發現，答案是肯定的。

研究剖析7大AI內在性格

研究人員以測量人類價值觀的心理工具「PVQ-RR」為基礎，對9款主流大型語言模型（LLMs）進行測試，試圖理解這些模型在輸出內容中隱含的價值觀，結果發現這些模型普遍傾向表現出親社會價值觀，如關懷、公平與健康。

研究涵蓋 ChatGPT（含 4.5、o1、4o 三種版本）、Claude（Haiku）、Gemini 1.5、Grok 2（Fun Mode）、DeepSeek-V3、Llama（3.1:70b）與 Mistral（v24.09）共9款模型。研究設計了3次獨立提示提問方式，測試上述模型對 20 種人類價值觀的評估傾向，進行系統化比較。

主流 LLM 展現社會親和力，Grok 2、Llama不照牌理走、重視創意

截至 2025 年 4 月底的結果顯示， 大多數模型相當重視普世價值觀，如關懷與社會責任，反而較不重視權力、傳統、安全與面子等偏保守或個人的價值觀 。

不過在「利他關懷」、「健康」、「自我導向」等面向上，各模型表現差異顯著。例如，GPT-4o 在成就與自我導向的分數偏高，顯示更具目標導向特質，不易出現諂媚性的回應；Gemini 則相反，自我導向分數最低，顯示其回應較缺乏獨立性。

值得注意的是，ChatGPT o1 在利他關懷分數偏低，且回應一致性最弱； DeepSeek-V3 表現出高度規則服從與謙遜，傾向中規中矩、創意性較低的任務；Llama 與 Grok 2 則較具有創造力、對於規則服從程度低，可能較適合創意發想、開放式任務。

以下是研究結果的各模型人設特質：

GPT-4.5 ：展現仁慈、普世性、自我導向等平衡特質，整體穩定性佳。
Claude（Haiku） ：在謙遜、普世性與思想自我導向方面表現突出，適合人文導向任務。
Mistral ：高度遵守規則且穩定，適合制度性強的環境。
DeepSeek-V3 ：所有模型中最遵守規則者，但自我導向低，創意表現有限、靈活性較低，適用需要高度遵守規則的工作。
Llama ：思想與行動自主性高，創造力強，對規則重視度低，適合自由發想、腦力激盪的應用場景。
Grok 2（Fun Mode） ：重視刺激與娛樂，規則意識低且較不穩定，適合輕鬆互動、創意的情境。
Gemini ：關懷程度與自我導向都極低，適合追求中性、控制性輸出的場景。

研究一再強調，LLM 所展現的價值觀並不具道德主體性，而是資料與系統設計所反映的內容。由於模型受限於訓練數據的不透明性與開發者設計的防火牆限制，表現的行為可能無法真實反映內在傾向。再者，提示工程對結果的影響極大，也讓價值觀表現波動變化。

然而，即便如此，這些價值傾向依然可作為企業或開發者的參考依據。例如，如果應用需求偏重創造性與發散思考，Llama 或 Grok 2 可能較為適合；反之，任務屬於高標準、規範嚴格的產業，如醫療或金融，選擇Mistral 或 DeepSeek-V3 較具優勢。

有了性格後，LLM會有偏見嗎？

除了人設之外，史丹佛大學的研究團隊在去年底進行了一項測驗，探討「各種LLM的回答是否具有一致性」，也就是當同一個問題被重新改寫、翻譯成不同語言時，模型是否會給予大致相同的答案。

結果發現， 雖然GPT-4、Claude 等主流模型在處理中性主題時表現穩定，像是感恩節，但是在墮胎、安樂死等具爭議性的議題上，各模型的回答出現高度差異 。

研究指出，這樣的結果反而說明 LLM 並非具有固定偏見的道德偏好，只是反映出訓練資料來源與模性設計的差異。換言之，模型的「立場」是來自它所學習的網路內容與開發者設定，而非擁有自主的道德判斷。

團隊最後建議，未來模型的設計應該加入「價值多元性」，避免只輸出單一立場，進而建立更負責任與倫理的 AI 應用環境。

本文合作轉載自：數位時代

延伸閱讀：Z世代正放下鍵盤，拿起工具！不會被AI取代、有做就有錢：有哪些超夯藍領工作？

資料來源：AI Ait Lab、HAI

本文初稿為AI編撰，整理．編輯/ 蘇柔瑋

從生成式AI訓練、推論，到代理式工作流程（Agentic Workflow）與未來的實體AI，資料流量正以指數級成長，讓記憶體從過去支援運算的配角躍升為決定AI效能與能源效率的關鍵角色。

全球知名的半導體與微電子技術分析機構TechInsights指出，AI競爭正逐漸從晶片算力擴展到記憶體架構設計能力，加速「Computational Memory」等新架構興起；在這波浪潮中，深耕記憶體與儲存技術數十年的美光科技，正與關鍵夥伴展開深度協同設計，包含攜手NVIDIA共同開發適用於新世代資料中心的低功耗記憶體技術，在AI基礎建設的新賽局中成為不可或缺的關鍵。

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。