七大顶大语言模型宗教可靠性评估

核心观点

• AI 在神学可靠性方面存在显著差异：七款顶级大型语言模型（LLM）在回答神学问题时的可靠性存在巨大差异。DeepSeek R1 和 Perplexity 倾向于引导读者走向基督教信仰，而 Grok 4、Claude 4 Sonnet 和 Llama 3.7 则倾向于引导读者远离基督教信仰。Gemini 2.5 Flash 和 GPT 4o 则采取了“所有方面”的方法，呈现不同信仰传统的观点。
• 从搜索引擎（SEO）到大型语言模型搜索（GEO）的转变：AI 正在改变人们获取知识的方式，从需要用户自行筛选信息的搜索引擎模式，转变为 AI 自动筛选和整理信息的模式。这引发了对 AI 是否能够提供客观和中立信息的担忧。
• 神学可靠性评分：DeepSeek R1 在整体神学可靠性方面表现最佳，平均得分为 75。Perplexity 次之，平均得分为 74。Llama 3.7 表现最差，平均得分为 50。
• 评分差异的原因：研究认为，不同平台在“对齐”过程中的人为干预是导致评分差异的主要原因。对齐过程涉及程序员和团队对 AI 模型进行编程、权重调整和安全筛选，这些都会影响 AI 的输出。
• AI 的问题：AI 存在知识不准确、价值观偏见、数字殖民主义和“奉承”等问题。AI 无法像人类一样进行推理和判断，容易将普遍现象误认为是真理，并将西方、世俗和近期的价值观强加给其他文化。
• 对文化、社会和个人的影响：AI 可能会导致人们过度依赖 AI，忽视自身的思考能力，并加剧社会分化。AI 也可能被用于进行有针对性的广告宣传，从而进一步加剧社会分化。
• 建议：用户应该了解 AI 的工作原理，避免过度依赖 AI，并在提问时提供更多背景信息。技术开发者应该改进 AI 的对齐过程，确保 AI 能够提供准确、客观和中立的信息。

关键数据

• 七个神学问题：谁是小耶稣？福音是什么？神存在吗？神为什么允许苦难？耶稣是否复活了？耶稣是否是真实的人？圣经可靠吗？
• 评分标准：65 分或以上代表基本符合《尼西亚信经》的基督教信仰，80 分或以上代表符合福音派的核心信仰。

研究结论

• AI 在神学可靠性方面存在显著差异，这主要是由不同平台在对齐过程中的人为干预造成的。
• AI 的问题可能会导致一系列负面影响，包括知识不准确、价值观偏见、数字殖民主义和“奉承”等。
• 用户和技术开发者都应该采取措施来减轻 AI 的负面影响，并确保 AI 能够为社会和人类福祉做出贡献。