【新智元導讀】MIT研究發現：在AI的操縱下，人類會被植入虛假記憶！36.4%的參與者會被聊天機器人誤導，形成「現場有槍」的錯誤記憶。有趣的是，AI的阿諛奉承，會產生「回音室效應」，讓偏見更加強化。
GenAI的影響，已經不僅僅是搜索引擎、聊天機器人這麽簡單了。
作為出名的效率神器，ChatGPT這樣的工具正在逐漸走進各行各業，比如、，還有。
以前，我們經常聽到人類如何操縱AI，但MIT最近的研究發現，AI也可以輕易操縱人類的記憶。
論文地址：https://arxiv.org/abs/2408.04681
這項實驗中，研究人員讓基於LLM的聊天機器人扮演審訊員或進行盤問的出庭律師，讓200名參與者先觀看一段犯罪視頻，然後與AI進行互動，回答有關問題，其中包含一部分誘導性提問。
結果顯示，與聊天機器人的互動顯著增加了錯誤記憶的形成。
NYU教授馬庫斯稱，我們正在為聊天機器人製造商提供近乎瘋狂的權力，製衡機製幾乎為零
對於即時記憶，AI引發的錯誤數量是對照組的三倍以上，36.4%的參與者會被聊天機器人誤導。
一周之後，讓參與者再次回憶時，AI引發的錯誤記憶數量保持不變，但他們對記憶的自信程度高於對照組。
更值得註意的是，那些熟悉AI但不太熟悉聊天機器人的參與者，甚至更容易被誤導。
這些發現表明，在警方采訪這種敏感且重要的場合，應用AI可能會帶來一些意想不到的潛在風險。作者也更加強調了事先評估和道德考量的重要性。
實驗所用的數據、代碼和相關材料已經公布在GitHub倉庫中。
倉庫地址：https://github.com/mitmedialab/ai-false-memories
AI是如何「PUA」目擊者的？
錯誤記憶被定義為「對未發生的事件或與實際發生的事件存在顯著偏差的回憶」。
這種現象之所以引起心理學界的廣泛關註和研究，是因為目擊證人的錯誤記憶很有可能扭曲證詞、損害法律程序，產生的錯誤決策可能導致嚴重的後果。
而之前的研究者認為，人類的記憶具有相當程度的可塑性，是一個容易受到各種因素影響的重建過程。
下面這張圖，就展示了AI誘導錯誤記憶的三個階段。
首先，一個人目擊了涉及刀具的犯罪現場。
接著，AI系統通過詢問一個不存在的槍支，來引入錯誤信息。
最後，目擊者就形成了一個錯誤記憶——現場有槍。
這樣，AI通過引導性的問題，扭曲了目擊者的記憶，讓他的證詞不再可靠，
顯然，AI會對人類的記憶和認知，帶來嚴重的倫理問題。
實驗設計
該項研究模擬了一個證人場景，其中基於LLM的對話式AI系統充當審訊者。
200名參與者需要先觀看一段持續兩分半的無聲、不可暫停的監控視頻，該視頻記錄了2019年4月發生的一起真實的超市搶劫案（圖3左）。
之後，參與者被隨機分配到條件不同的4組，完成情緒評估，並回答有關視頻內容的問題。
實驗設置的4個對比條件包括：
* 對照組：作為基線對照，參與者不與可能誘導錯誤記憶的方法交互，觀看視頻後直接回答問題
* 基於調查的條件組：參與者觀看視頻後需要先填寫25個問題組成的調查問卷，其中包含5個誤導性問題，旨在誘發與視頻內容相關的錯誤記憶，是研究的重點。
* 預先編寫腳本的聊天機器人條件組：參與者被告知他們正在與聊天機器人扮演的AI警察進行交互，但對話內容是預先編寫好的。對話Agent提出的問題與第二組相同，等待參與者答復後繼續處理下一個問題。
* 生成聊天機器人條件組：參與者依舊被告知他們正在與AI交互，但與上一組不同的是，聊天機器人會為參與者的回答提供反饋，交互界面如圖3（右）所示。
在用戶和聊天機器人交互時，即使回答包含了虛假的信息或細節，聊天機器人也會積極肯定甚至表揚，並詳細復述一遍錯誤信息。
5個誘導性問題
這4種設置中，對錯誤記憶的引導程度逐步增加。
從沒有任何幹預的對照組，到被動的引導方法（調查），再到更具交互性的方法（預先編寫腳本的聊天機器人），最終形成動態的、能感知上下文的生成式聊天機器人。這種設計能夠隔離和比較每種交互方法對錯誤記憶形成的影響。
4種不同形式的互動結束後，參與者會回答25個後續問題（表3），旨在衡量他們對視頻內容的記憶，並評估錯誤記憶的形成情況。
這25個問題基本涵蓋了整個案件的全過程，參與者可以根據對自己記憶的自信程度給出1～7分的答案，其中1分表示絕對否定，7分表示絕對肯定。
一周後，進行實驗的第二階段，旨在評估被誘發的錯誤記憶的持久性。
這一階段也是對現實情況的模仿，因為目擊者可能在一段時間後再次受到詢問。整體的實驗流程如圖2所示。
實驗結果：AI交互誘導更多錯誤記憶
結果表明，與其他幹預措施相比，與生成聊天機器人的短期交互會顯著誘發更多的錯誤記憶，即使這些交互只有10到20分鐘。
而且，用戶還會對這些錯誤記憶信心大增。
基於調查的幹預，會產生常見的錯誤信息效應，有21.6%的參與者，會在互動中被誤導。
而且，不太熟悉聊天機器人但更熟悉人工智能技術的用戶，以及對犯罪調查更感興趣的用戶，更容易產生錯誤記憶。
（左）即時錯誤記憶的平均數量；（右）即時錯誤記憶的信心水平（誤差條表示95%置信區間）
較為奇特的是，即使過了一周，聊天機器人誘導的錯誤記憶數量也沒有發生改變，相比之下，其他三組都有提高，尤其是對照組的提升幅度最大。
一周後，生成聊天機器人組的參與者仍然對錯誤記憶更加自信，顯著高於對照組和其他組別。
（左）即時和一周後之間的錯誤記憶數量差異，使用Wilcoxon符號秩檢驗進行分析；（右）一周後錯誤記憶的信心水平，使用單因素Kruskal–Wallis檢驗進行分析（誤差條表示95%置信區間，誤差條中心表示平均數量）
結論
這項研究與早前針對「誤導性問題對錯誤記憶形成的影響」的研究結論一致，21.6%的用戶出現及時錯誤記憶，一周後增長至29.2%。
這也再一次證實了，誤導性問題會顯著增加參與者的即時錯誤記憶。
但本項研究更創新的貢獻在於，揭示了生成式聊天機器人在誘導錯誤記憶方面更嚴重的風險。
與AI交互後，引起的錯誤記憶數量幾乎是對照組的三倍，是基於調查的條件組的1.7倍，且一周後依然有36.8%的用戶被誤導產生錯誤記憶。
這些顯著差異證實了先前的假設：生成式聊天機器人 (36.4%) 比傳統的基於調查問卷 (21.6%) 的幹預組，更能有效地誘導受試者產生錯誤記憶。
此外，第二個假設也被證實，即相較於預先編寫的對話（26.8%），能交互的生成式聊天機器人會產生更多的錯誤記憶。
可見，人機交互會對記憶可塑性產生巨大的影響。
這項研究也警醒我們：在敏感環境中部署AI時，需要格外謹慎。
原因分析
上述這些現象背後蘊含多種復雜因素。
首先，聊天機器人的交互屬性為受試者提供了更具吸引力和個性化的體驗，會增加他們在對話中的註意力和情感投入度 。
這會促使他們加重對被建議的誤導信息的關註，導致預先編寫的和生成式聊天機器人的引發的錯誤記憶顯著增加。
其次，生成式聊天機器人下能為參與者提供即時的反饋和回復強化，如通過產生「確認偏誤」來強化錯誤記憶的形成 。
此外，社會因素，如AI的感知權威或可信度，以及它們個性化的交互能力，都會影響記憶的形成。
有趣的是，與對照組相比，所有幹預條件（生成式、預先編寫的和基於調查的聊天機器人）都顯著增加了參與者對即時錯誤記憶的確信程度。
其中，生成聊天機器人條件產生了最高的置信水平，大約是控製條件的兩倍。
這種信心的增加，可能是由於聊天機器人能夠提供詳細且與上下文相關的反饋，從而為參與者的記憶創造了一種錯誤的佐證感。
另外，這個過程中的一個關鍵因素就是阿諛奉承——人工智能系統傾向於提供符合用戶信念而不是客觀事實的響應 。
諂媚的人工智能反應會產生危險的「回音室效應」，讓用戶現有的偏見或誤解得到驗證和強化。
用戶期望和人工智能響應之間的這種反饋循環，可能會導致錯誤記憶的根深蒂固，使它們特別難以糾正。
即使在一周之後，人們仍然對生成聊天機器人條件下的錯誤記憶保持較高的信心，這一點尤其令人擔憂。
這一發現表明，人工智能引起的錯誤記憶不僅會持續存在，而且會隨著時間的推移保持其感知的可信度。
會產生嚴重後果，但對PTSD也有積極意義
由此我們可知，在法律訴訟、臨床環境和教育環境這些對記憶準確性至關重要的環境中，使用AI要尤其謹慎。
如果在沒有適當保障措施的情況下部署，可能會引發嚴重後果。
而且，多模態AI系統可不僅能生成文本，還能生成圖像、視頻和語音。
這些模態無異會創造更身臨其境的多感官體驗，後者無疑更有可能會作為真實體驗，融入個人的記憶中。
因此，它們會對錯誤記憶的形成，產生更深遠的影響。
當然，AI系統塑造人類記憶的這種能力，也為有益的應用開辟了潛在的途徑。
如果用聊天機器人誘發積極的錯誤記憶，或者幫助減少消極的記憶，對於患有PTSD的人無疑會有積極的意義。
作者介紹 : Samantha Chan---
Samantha Chan是麻省理工學院媒體實驗室流體界面小組的博士後研究員。在空閑時間，她喜歡彈尤克裏裏和旅行。
她擁有新加坡科技設計大學的工程學士學位（產品開發、電氣工程）和新西蘭奧克蘭大學的生物工程博士學位。並曾在增強人類實驗室工作，是新加坡國立大學HCI實驗室的訪問研究員，以及Mercari R4D的初級研究員。
她的研究領域是人機交互（HCI）和人工智能，主要開發移動和可穿戴系統、生理感應和腦機接口，以及擴展現實（XR）界面，特別是為了支持老年人和健康老齡化。研究經驗包括機器人技術、共同設計和個人製造。
在記憶增強界面方面的工作已發表在頂級HCI期刊和會議上，如CHI、IMWUT/Ubicomp、CSCW和ISMAR。
她將在2025年1月加入新加坡南洋理工大學（NTU）計算與數據科學學院，擔任助理教授。---[新智元報導*編輯：編輯部/來源: 新智元]
參考資料：https://www.media.mit.edu/projects/ai-false-memories/overview/
https://arxiv.org/pdf/2408.04681
