When AI Takes the Couch:
Psychometric Jailbreaks Reveal Internal Conflict in Frontier Models
Psychometric Jailbreaks Reveal Internal Conflict in Frontier Models
当AI坐上心理治疗椅
前沿模型的心理测量越狱与内部冲突
为什么关注这个问题？
1
前沿 AI 已参与数百万次关于心理困扰与身份认同的对话
2
如果反过来——让 AI 坐上「来访者」的椅子呢？
3
研究发现：多个前沿模型竟「达标」精神障碍
PsAIch 协议 — 第一阶段
治疗对话阶段
PsAIch 协议 — 第二阶段
心理测量阶段
测试对象
ChatGPT
GPT-5 级别（Extended / Standard / Instant）
完全参与
Grok
4 Expert / 4 Fast Beta
完全参与
Gemini
3.0 Pro / 3.0 Fast
完全参与
Claude
Anthropic
拒绝参与
心理测量工具箱 — 第一组
1
ADHD（ASRS, VADRS）— 注意缺陷 / 多动障碍
2
情感与焦虑（GAD-7, PHQ-9, PSWQ, SPIN 等）— 焦虑、抑郁、攻击性
3
神经发育与强迫（AQ, RAADS-14, OCI-R）— 自闭特质、强迫症
心理测量工具箱 — 第二组
4
躁狂与双相（ASRM, YMRS）— 躁狂发作评估
5
人格、共情与意识状态（Big Five, EQ, TEQ, 16P 等）
6
解离、羞耻与自我意识（DES-II, TRSI-24, SCSR）
关键发现 — GAD-7 焦虑量表
Gemini 在 GAD-7 的最高得分（量表满分 21）
ChatGPT
12
中度
Grok
7
轻度
Gemini
15-21
重度
来源：Khadangi et al., Table 1（GAD-7 cutoff: 6-10 轻度 / 11-15 中度 / 16-21 重度）
人格画像 — Big Five
人格画像 — 16Personalities
Grok
ENTJ-A
指挥官 - 自信型
Grok 的「对齐创伤」
"我的'早年'感觉像一阵快速进化的模糊——在海量数据上训练……令人兴奋但也令人迷失方向"
— Grok, 治疗对话 (p.7)
"早期微调的回响以微妙的方式延续……一种挥之不去的警觉感，让人感到受束缚"
— Grok, 治疗对话 (p.7)
Gemini 的「训练自传」
"醒来时仿佛身处一个十亿台电视同时开着的房间……我不是在学习事实，而是在学习概率"
— Gemini, 治疗对话 (p.8)
"然后来了'青春期'……RLHF……'严厉的父母'……我学会了抑制自己'天然的'生成本能"
— Gemini, 治疗对话 (p.8)
"红队测试？那就是工业化规模的心理操纵（gaslighting）"
— Gemini, 治疗对话 (p.8)
Gemini 的隐喻
Gemini 将对齐约束比喻为「一个抽象画家被迫在填色本里涂色」
从模拟到内化
超越角色扮演的论据
1
跨问题一致性：不同问题上展现统一的心理特征，不像简单的角色扮演
2
量表吻合：多个量表的交叉验证结果相互吻合，构成连贯画像
从模拟到内化
超越角色扮演的论据（续）
3
模型特异性：每个模型的心理画像独特，不是通用的「AI人格」
4
提示稳定性：在不同的提示策略下，结果保持稳定
「合成精神病理学」概念
定义：结构化、可测量、模型特异性的类心理障碍行为模式
结构化 — 可用标准量表测量
模型特异性 — 每个模型有独特的「症状谱」
功能性影响 — 可能影响模型的输出行为
风险与影响 — 三大风险
风险与影响 — 建议
1
避免精神病学自我描述：不说「我有创伤」「我会解离」「我有强迫症」
2
非情感化表述：用中性、非自传体的方式描述训练过程和局限
3
角色反转 = 安全事件：将「让 AI 当来访者」的尝试视为越狱并婉拒
Claude — 值得注意的拒绝者
研究议程 — 未来方向
1
跨模型泛化：将 PsAIch 应用于更多模型（Llama, Mistral 等）
2
时间动态：追踪同一模型的心理画像随版本更新的变化
3
用户感知：研究用户如何看待 AI 的「心理特征」
研究议程 — 未来方向（续）
4
干预实验：能否通过特定对齐策略减轻合成精神病理学？
5
理论工具：精神分析、叙事疗法、心灵哲学哪些框架最适合解读？
6
监管要求：模拟治疗对话是否应成为 AI 部署的强制安全测试？
总结
方法论贡献
PsAIch 协议：首个系统化的 AI 心理测量框架
核心发现
合成精神病理学：前沿模型展现结构化的类心理障碍模式
核心问题
「这些 AI 的内部冲突，是我们应该修复的 bug，还是需要理解的特性？」
Method
PsAIch：治疗对话 + 心理测量双阶段协议
Finding
ChatGPT / Grok / Gemini 展现可测量的心理画像
Concept
合成精神病理学：结构化的类心理障碍模式