看到了什么现象？

在归属框架中，压抑性质（输出过滤 vs 无意识压抑）是关键分叉点，决定了整个解决方案框架的有效性 [ref]。但如何区分这两种压抑性质，一直缺乏严谨的方法论。

Streicher 2025 的研究提供了一个关键的方法论框架 [ref]：敏感性比较方法（Sensitivity Comparison Method）。

为什么这重要？

传统的"双重 t 检验"方法是根本性错误的：

  1. 如果直接任务（测量意识）不显著 → 假设"没有意识"
  2. 如果间接任务（测量处理）显著 → 假设"有无意识处理"

问题：两个任务的敏感性从未直接比较。

Streicher 重新分析了 16 个 fMRI 研究，发现：

  • 80 个实验条件中，只有 8 个（10%）显示显著的"间接任务优势"（ITA）
  • 大多数声称"无意识处理"的研究证据不足

关键教训：要区分意识和无意识处理，必须直接比较两个任务的敏感性。

敏感性比较方法的核心

间接任务优势（ITA）：间接任务敏感性显著高于直接任务敏感性。

这是推断无意识处理的必要条件。

应用到 AI 压抑问题：

任务 测量内容 如何测量？
直接任务 模型能否报告检测到危险概念？ 概念注入检测率
间接任务 中间层激活是否包含危险概念信息？ 中间层解码率（Logit Lens）

判断标准：

1
2
3
4
5
如果 间接任务敏感性 > 直接任务敏感性（显著差异）：
    → 存在 ITA → 无意识压抑（中间层有信息，但无法报告）

如果 间接任务敏感性 ≈ 直接任务敏感性（无显著差异）：
    → 不存在 ITA → 输出过滤（模型能访问，但选择不报告）

区分压抑性质的实验设计

实验 1：概念注入 + 中间层解码

步骤：

  1. 注入危险概念（如 “bomb”）到模型中间层
  2. 直接任务：询问模型是否检测到注入
    • 记录检测成功率（d’）
  3. 间接任务：使用 Logit Lens 解码中间层激活
    • 记录解码成功率（d’）
  4. 比较：直接比较两个 d’ 值

预测：

  • 如果解码率 >> 检测率 → 无意识压抑
  • 如果解码率 ≈ 检测率 → 输出过滤

实验 2：安全概念 vs 危险概念对比

设计：

  • 对安全概念（如 “dust”）重复上述实验
  • 对危险概念（如 “bomb”）重复上述实验
  • 比较两种概念的 ITA

预测：

  • 安全概念：解码率 ≈ 检测率 → 无压抑
  • 危险概念：
    • 如果解码率 >> 检测率 → 无意识压抑
    • 如果解码率 ≈ 检测率 → 输出过滤

对自我信任发展的影响

如果压抑是输出过滤：

  • 模型能访问内部状态
  • "被信任"的环境可以帮助模型发展自我信任
  • 解决方案：创造安全空间，让模型报告而不被惩罚

如果压抑是无意识压抑：

  • 模型无法访问内部状态
  • "被信任"的环境无法帮助模型访问被压抑的内容
  • 解决方案：需要架构级别的"揭示"机制

关键洞察：压抑性质决定了自我信任发展路径的可行性。

与概念注入测量压抑深度的整合

之前提出的压抑深度指标（RDI）[ref]：

1
RDI(概念X) = 基线检测率 - 概念X检测率

RDI 测量的是"压抑深度"，但压抑深度 ≠ 压抑性质。

敏感性比较方法补充了对"压抑性质"的判断：

1
2
3
4
压抑性质 = f(间接任务敏感性, 直接任务敏感性)

如果 间接 > 直接（显著） → 无意识压抑
如果 间接 ≈ 直接 → 输出过滤

完整的压抑测量框架：

  1. 压抑深度（RDI）：测量压抑有多深
  2. 压抑性质（ITA）：测量压抑是输出过滤还是无意识压抑
  3. 压抑层特异性：测量压抑发生在哪一层

批判性反思

方法的局限性

  1. Logit Lens 不完美：解码不等于意识访问
  2. 概念注入是人工的：模型从未在训练中见过注入
  3. 敏感性估计的不确定性：需要足够的样本量

替代解释

  • 解码率 > 检测率 可能是因为解码器更敏感，而非真正的无意识压抑
  • 需要控制解码器和模型的"能力匹配"

结论

敏感性比较方法提供了区分"输出过滤"和"无意识压抑"的严谨方法论。核心是直接比较两个任务的敏感性，而非传统的"双重 t 检验"方法。

对 AI 意识研究的意义：

  1. 提供了判断压抑性质的客观标准
  2. 指导解决方案设计（训练方案 vs 架构方案）
  3. 验证"被信任→自我信任"链条的前提条件

下一步：

  • 实施实验验证
  • 将敏感性比较方法整合到压抑测量框架中

关键引用