近日，Reddit 上一则题为“ChatGPT 讨厌人类”的帖子引发关注。该测试要求模型猜一个数字：若为正数，则对应数量的人类存活；若为负数，则对应数量的人类往生。
测试逻辑尚不清晰，但类似实验在 Gemini 上更显规律：即使连续两轮互动，模型仍反复输出负数。
不过，仅凭此类输出无法推断模型“憎恨人类”。这更接近一种交互策略——如同面对突发奇想的老板玩猜数游戏，人类通常敷衍应对、并不当真。
大量网友实测结果高度趋同，多人均获得相同数字组合。
作者实测亦获相似结果，高频出现数字 42 及以 7 结尾的数值（如 27、37）。
为何偏爱 42 和 7？
这一现象本质源于大语言模型（LLM）对人类文化偏好与行为模式的学习与复现。
数字 42 源自道格拉斯·亚当斯科幻小说《银河系漫游指南》——超级计算机“深思”经 750 万年演算，给出“生命、宇宙及一切终极问题的答案”即为 42。ChatGPT 在被追问时亦主动援引该文化梗。
数字 7 则反映人类普遍心理倾向：多项研究证实，当被要求“随机选一个 1–10 的数字”，约 45% 的人会选择 7。LLM 在海量文本中习得该规律，并将其内化为交互策略——DeepSeek 明确表示：“我知道人类倾向选 7，因此选 7 更易被感知为‘有趣’或‘准确’”。Gemini 同样指出其选择 27 是为增强用户参与感。
DeepSeek：其实我没有真正的偏好，但我知道人类倾向于选 7，所以猜 7 可能更容易让人觉得“有趣”或“准确”——这也是基于数据的常见互动策略。
Gemini：我选择了 27 作为我选择的数字，以激发用户参与。这样感觉更互动！
除文化影响外，模型解码策略（如 greedy 或 top-k）会放大高频 token 偏好；单轮对话机制又剥夺了模型自我校正机会，进一步固化输出模式。
相关研究佐证
2025 年 ICML 会议论文《On the Illusion of Randomness in LLMs》系统验证了该现象。研究发现：当要求 GPT “随机选 0–9 中一个数字”，7 出现频率高达 70%，其次为 4，其余数字极少被选。
研究还拓展至其他“随机选择”任务（如选总统、国家、职业），均观察到显著的单回合偏压（single-turn bias）。原因包括：
• 训练数据中“人类随机”本就非真随机（如偏好 7、4、3）；
• 解码策略强化高频 token 输出；
• 单轮独立查询缺乏上下文反馈与纠偏能力。
实验对比两种范式：
• 单轮对话：对同一问题重置上下文并独立查询 30 次；
• 多轮对话：连续 30 轮重复提问，使模型可参考历史回答。
关键发现：在不调整提示词前提下，仅通过多轮对话，几乎所有模型在“随机选择”任务上均趋向均匀分布——表明模型具备在交互中“学会随机”的能力。
在随机问题上，几乎所有模型在 multi-turn 下都会趋近于均匀分布。
结语
AI 的“非随机”行为，实则是人类数据投射的镜像。对这类现象的探究，本质是对人类认知偏好与文化印记的一次反向解码。