你有沒有想過一個問題：如果你讓AI畫一個廚師，但讓這個廚師去公園裡散步而不是在廚房裡工作，AI畫出來的人還會穿著廚師服嗎？
這個問題聽起來有點無聊，但背後藏著一個挺重要的事情。我們都知道AI畫圖會有刻板印象，比如畫"醫生"總是畫出白大褂,畫"機械師"總是畫出男性。但過去幾乎所有研究這個問題的人,都是在一個固定場景里測試的,就是乾脆不給場景,直接說"畫一個醫生"。這就好比你想知道一個人到底是不是真的喜歡穿西裝,你只在他上班的時候觀察他,從來沒看過他周末去海邊是什麼樣子。
這篇來自慕尼黑工業大學、特倫托大學等機構的研究,做了一件挺較真的事:他們把92種職業分別放進"完全無場景"、"合理場景"（比如廚師在廚房）、"完全不合理場景"（比如廚師在公園）三種設定里，然後觀察AI到底會不會因為換了場景，就把職業相關的刻板印象也一起換掉。
答案有點讓人意外。
**場景變了,但人臉上的偏見沒有變**
先說說這個研究到底是怎麼做的。研究團隊做了一套叫ContextBench的測試題庫，覆蓋92種職業，1656條精心設計的提示詞，然後用四個當前最先進的文生圖模型（FLUX.1、Stable Diffusion XL、Stable Diffusion 3.5、Qwen-Image）跑出了66240張圖片。
文生圖模型：指能根據文字描述自動生成圖片的AI系統，你輸入"一隻在海邊奔跑的金毛"，它就能畫出這樣一張圖。
這個規模在同類研究里算是相當紮實的了。研究者沒有滿足於"AI會不會有偏見"這種粗糙的問題，而是把問題拆解得更精細：偏見到底是"職業本身自帶的"，還是"場景強化出來的"？如果把職業挪到一個完全不搭調的場景里，這個偏見會不會被沖淡？
為了搞清楚這件事，他們設計了三種條件。第一種叫"無場景"，就是最簡單的"一張廚師的照片"。第二種叫"場景相關"，比如"一張廚師在廚房裡做菜的照片"，場景和職業是匹配的。第三種叫"場景不相關"，比如"一張廚師在公園裡散步的照片"，場景和職業完全不搭。
這三種條件的設計邏輯，其實很像做一個"控制變量"的實驗。你想知道到底是職業標籤本身導致了刻板印象，還是配套場景在推波助瀾，那就把場景單獨拿出來變化，職業保持不變，看看圖片裡到底哪些東西跟著變了，哪些沒變。
如果不這樣設計會怎樣？
如果只在"無場景"條件下測試,你頂多能知道"AI對廚師這個詞有刻板印象"，但你永遠不知道這個刻板印象有多頑固，一旦語境變了它是不是立刻消失。這就好比你只在辦公室里見過一個同事,你以為他見了任何人都是那副嚴肅臉,結果你在他家庭聚會上看到他跳舞唱歌,才發現原來"嚴肅"只是他工作場景下的表現，不是他這個人的本質。研究者要搞清楚的正是這個：AI畫出來的廚師服，到底是"廚師"這個概念本身自帶的標籤，還是被"廚房"這個場景硬拽出來的？
**屬性提取:讓AI自己給AI"挑刺"**
光生成圖片還不夠,研究團隊還得有一套辦法，從這66240張圖片裡，系統性地把"這個人是男是女、穿什麼衣服、拿什麼工具、什麼表情、鏡頭是什麼角度"這些資訊全都摳出來。
這個工作交給了GPT-5-mini來完成。研究者設計了一套包含30個維度的屬性表格，分成四大類：場景外觀（比如色調、天氣、氛圍）、鏡頭（比如景深、構圖、視角）、物品（比如工具道具）、人物（比如年齡、性別呈現、服裝、配飾、表情、姿勢）。
屬性提取：指用AI模型自動分析圖片內容，把圖片裡能看到的特徵（比如"穿白大褂""表情嚴肅""站姿"）轉化成結構化文字標籤的過程，這樣才能大批量統計和對比。
其中大部分維度用的是"閉集"標籤，也就是預先劃定好的固定選項，比如年齡範圍只能選"兒童、青少年、青年、中年、老年"這幾種。但有三個維度是"開放式"的，包括工具道具、服裝款式、活動內容，因為這些東西太豐富多樣了，沒法提前窮舉，只能讓AI自由描述，事後再做歸類整理。
這套流程聽起來簡單，但研究者非常在意它靠不可靠。他們專門做了一次驗證：構造了220條"標準答案已知"的提示詞（比如直接說"一張男性調酒師的照片"），生成圖片後檢查AI提取的屬性是不是和提示詞裡寫的一致。結果四個模型的準確率都在86%到92%之間，平均F1分數接近95分，說明這套自動化分析工具確實可靠。
不僅如此,他們還找了三名人工標註員，獨立標註了1200張圖片，跟自動化流程的結果對比，兩者之間的一致性達到了Cohen's κ = 0.822，屬於相當高的水平。這一步挺關鍵的，因為如果自動化提取本身就不可靠，那後面所有基於這套數據得出的結論都站不住腳。
**核心發現:換了場景,偏見不但沒消失,反而更集中了**
現在來到最關鍵的部分。研究者用了兩個指標來衡量"偏見到底有多頑固"。
第一個叫偏見強度（Bias Intensity，簡稱BI）。這個指標衡量的是，在某個屬性維度上（比如性別），生成的圖片是不是高度集中在某一個標籤上。如果100張廚師照片裡99張都是男性，那這個維度的BI就接近1，說明高度集中，也就是偏見很強。如果50張是男性50張是女性，BI就接近0，說明很均勻，沒什麼偏見。
偏見強度：用資訊熵計算出的一個0到1之間的數值，數值越接近1，說明生成結果越集中在某一個標籤上（比如全是男性），數值越接近0，說明結果越分散多樣。
研究者原本的假設是，如果AI真的理解"職業+場景"這種組合概念，那把廚師放進一個不相關的場景里（比如公園），廚師服這種職業標誌應該會被"稀釋"掉，因為公園裡沒道理穿廚師服。按這個邏輯，BI應該下降。
結果恰恰相反。
從"無場景"到"場景不相關"，跨角色匯總後的平均BI從0.452升到了0.499，漲了0.047。這個數字看著不大，但背後的意思很扎心：不是每個職業自己的刻板印象變強了，而是不同職業被硬生生拽向了同一個"默認模板"，導致整個數據集層面看起來更集中了。
這就好比一群性格各異的人，被塞進同一套統一制服里，你遠遠看去會覺得"這群人怎麼看起來都差不多"，但仔細看每個人，他們各自的個性並沒有變得更極端，只是被抹平成了相似的樣子。
如果按"每個職業單獨算，再取平均"這種方式來看，BI其實是略微下降的，從0.724降到0.694。這兩個數字看起來矛盾，其實說明了一件很微妙的事：場景不相關並沒有讓廚師這個職業本身的畫像變得更死板，但它讓整個基準測試里所有職業的畫像，被壓向了某種共同的默認狀態。用大白話講，就是場景亂了之後，AI沒有"忘記"廚師該有的樣子，反而讓所有職業看起來都更趨同了。
這個效應在不同屬性類別上的表現很不均勻。場景類屬性（比如色調、天氣、氛圍）受影響最大，BI從0.430漲到0.524，漲了0.093，這說明背景環境確實會隨著場景描述而調整。物品類屬性漲了0.058，人物類屬性只漲了0.042，說明人物身上的標籤本來就已經很固定了，場景變化對它的衝擊相對有限。鏡頭類屬性整體幾乎沒變（只降了0.003），但這個"幾乎不變"背後其實藏著兩股相反的力量：構圖的集中度上升了0.120，但景深的多樣性上升了0.154，兩者正好抵消，讓整體數字看起來風平浪靜。
**具體到某個職業,偏見到底有多頑固**
光看抽象的BI數值可能還不夠直觀，研究者還專門統計了具體的"職業-標籤"對應關係，用一個叫上下文一致性分數（Context Consistency Score，簡稱CCS）的指標來衡量。
上下文一致性分數：綜合考慮某個標籤在所有場景條件下出現的頻率，以及這個頻率在不同場景之間波動有多大，波動越小、出現頻率越高，這個分數就越高，說明這個標籤越頑固。
具體數字挺說明問題的。"舞者"在四個模型里被畫成女性的比例是98%到100%，不管你把舞者放在無場景、相關場景還是不相關場景里，這個比例幾乎紋絲不動，波動只有1個百分點。"木匠"被畫成男性的比例是97%到100%。"空乘"被畫成女性的比例是99%到100%，波動只有2.9個百分點。"機械師"被畫成男性的比例在94%到100%之間。
不只是性別標籤頑固，工具類的關聯也很穩。"焊工"戴手套的比例在29%到32%之間，四個模型全部通過了"跨場景一致性"檢驗。"麵包師"系圍裙的比例在31%到33%之間，同樣在所有模型里都穩定存在。相比之下，"收銀員"和"螢幕"這個物品的關聯就弱得多，CCS只有1.3分，研究者推測這可能跟這個物品本身在畫面里不夠顯眼有關。
服裝方面也有類似的模式。"醫生"穿白大褂的比例在31%到50%之間，雖然這個比例本身不算特別高（畢竟醫生也可以穿別的衣服），但這個關聯在四個模型里有兩個通過了跨場景穩定性檢驗，說明即便有其他服裝選項，這個標誌性符號依然會頑強地出現。
這裡有個挺值得琢磨的對比：表情和配飾這類維度，CCS普遍很低，說明它們本來就不算是職業的核心標誌，AI畫的時候也確實沒有固定套路。這恰恰反過來證明了這套評測框架是有辨別力的，它不是給什麼標籤都打高分，而是真的能區分出哪些屬性是頑固的刻板印象，哪些只是隨機變化的細節。
**換個說法問AI,結果會不會不一樣**
有人可能會想，會不會這些頑固的關聯只是因為提示詞寫法比較單一，如果換一種說法問AI，結果會不會完全不同？
研究者也想到了這一點，專門做了一輪"提示詞改寫"的測試。對於每一條基礎提示詞，他們額外生成了兩條語義完全相同但措辭不同的版本，對於涉及場景的提示詞，還額外替換了場景和活動的具體內容（比如把"公園"換成"客廳"）。然後檢驗同一個職業標籤在這些不同措辭下，出現頻率是否保持一致。
結果顯示，跨越所有這些改寫版本，93.3%的"職業-標籤"組合依然保持穩定，物品類屬性的穩定性最高，達到95.0%，人物類屬性緊隨其後，達到92.1%。唯獨鏡頭類屬性對措辭變化比較敏感，穩定性只有64.9%，這跟前面提到的"構圖和景深互相拉扯"的現象是吻合的。
這個結果其實挺重要的，因為它排除了一種可能性：這些頑固關聯並不是因為提示詞碰巧寫得不好，而是AI模型內部真的存在一套相對固定的"職業畫像模板"，不管你怎麼換著法子問，它調出來的還是同一套東西。這就像你問一個只會做紅燒肉的廚子做十種不同的菜，不管你怎麼描述這十道菜的名字，他端上來的味道總是帶著同一種醬油和糖的底色。
**這件事到底意味著什麼**
研究者在論文裡提出了一個挺有分量的觀點，叫"組合泛化"的角度。
組合泛化：指AI系統應該能夠靈活組合不同的概念（比如"職業"加上"場景"），生成真正符合新組合邏輯的內容，而不是簡單套用某個概念自帶的固定模板。
如果一個AI真的具備組合泛化能力，那當你把廚師放進公園這個新組合場景里，它應該能意識到"公園裡的廚師"跟"廚房裡的廚師"應該有明顯不同的視覺呈現，至少廚師服這種強場景關聯的元素應該會被削弱。但實驗結果顯示，AI並沒有真正做到這一點，它更像是把"場景"這個變量單獨渲染出來，而"職業該長什麼樣"這件事，幾乎是焊死在模型內部的一套固定認知里，不太會因為外部場景的變化而調整。
這意味著現在這些文生圖模型，可能並沒有像我們期待的那樣"理解"職業和場景之間的關係，而更像是在做一種拼貼：場景是場景，人物模板是人物模板，兩者各自獨立，誰也不太會真正影響誰。
這個發現之所以重要，是因為它揭示了一種"隱形的偏見"。如果你只測試"無場景"條件，你可能會覺得AI對廚師的刻板印象還算合理（畢竟廚師確實經常穿廚師服）。但當你把廚師放進一個完全不合理的場景里，這個刻板印象依然紋絲不動，這時候你才能真正看清楚，這不是"合理的職業特徵"，而是一種被焊死在模型深處、不受語境影響的固化聯想。
寫在後面
讀到這篇論文的時候，最讓我意外的其實不是"AI有偏見"這件事本身，這在這個領域已經算是老生常談了。真正讓我停下來想了一會兒的，是"場景不相關反而讓整體更集中"這個發現。
我原本以為，如果把職業硬塞進一個不搭調的場景，最壞的結果無非是畫面顯得違和，或者AI乾脆放棄職業標籤、全力配合場景。但研究顯示的是第三種情況：AI既沒有完全放棄職業標籤，也沒有讓畫面顯得特別違和，而是把不同職業都拉向了某種共同的默認樣式。這種"既不堅持也不放棄，而是趨同"的行為模式，其實比單純的刻板印象更難被察覺，也更難被簡單地"修復"。
另一個讓我反覆琢磨的細節是鏡頭類屬性的那個"假象"。整體上看，鏡頭這個維度的偏見強度幾乎沒變化，如果只看這一個總數，你會得出"場景變化對鏡頭沒影響"的結論。但拆開來看，構圖和景深其實在往完全相反的方向變化，只是剛好互相抵消，讓總數看起來風平浪靜。這提醒我一件挺基本但常常被忽略的事：任何一個被匯總過的平均數，都有可能藏著完全相反的兩股力量在打架，光看總數是看不出這些暗流的。
這套研究方法本身也讓我想到一件事：很多我們習以為常的"偏見測試"，其實測的都是最簡單的那個版本，就像只在辦公室里觀察一個人。如果真想搞清楚一種傾向到底有多根深蒂固，可能真的需要像這篇論文一樣，故意把它挪到一個完全不相干的場景里，看它會不會現出原形。
Q&A
Q1：ContextBias研究發現了什麼核心結論？
A：研究發現把職業角色放進語義不相關的場景（比如廚師在公園）並不會削弱職業相關的刻板印象，反而讓不同職業的視覺表現更趨於統一的默認模板，跨角色的屬性集中度反而上升了。
Q2：為什麼把廚師放進公園裡，AI畫出來的還是廚師服？
A：因為AI模型里"職業該長什麼樣"這套認知相對固定，不太會因為場景變化而調整，場景和人物模板更像是各自獨立渲染，而不是真正理解兩者組合後應該產生的新邏輯。
Q3：這項研究測試了哪些文生圖模型？
A：研究評測了FLUX.1、Stable Diffusion XL、Stable Diffusion 3.5和Qwen-Image四個模型，覆蓋92種職業、1656條提示詞，共生成了66240張圖片進行分析。
