这个男人来自地球

AI招人，比人类更容易产生偏见_我的网站

A |     （来源：麻省理工科技评论）          以后找工作时，你的简历很可能还没到招聘经理手里，就已经先被 AI 看过一遍了。    　　8月24日，深圳华大智造科技股份有限公司（以下简称“华大智造”，股票代码：688114）召开中期业绩交流会，就AI贯穿三大业务线的落地场景、时空组学前沿领域应用等进行深入解读。管理层表示，AI驱动下，公司已构建起“数据入口—执行基座—智能闭环”的三层架构。问题是，它真的会公平吗？          研究人员早就发现，大语言模型会从训练数据里继承人类社会已有的偏见。子公司涌生智能ProtoPilot自进化多智能体系统，已经服务于蛋白质与酶设计、血液前处理与PBMC分离等AI4S生命科学场景。与此同时，年初两项并购的协同价值加速兑现，时空组学持续落地生命大模型、脑科学、病理研究与AI药物发现等前沿领域，纳米孔测序依托RNA直测优势加速赋能相关研发与业务拓展。但一项最新研究发现，事情可能比这更复杂：AI 不仅会学习偏见，还会在不断做决策的过程中，自己形成新的刻板印象，而且这种倾向甚至比人类更强。         更值得警惕的是，AI 公司如今都在努力打造拥有长期记忆的智能体，希望模型能够记住用户越来越多的细节。而这些记忆，也可能成为模型滋生偏见的土壤。         为了研究这一问题，普林斯顿大学和芝加哥大学的研究人员设计了一场模拟招聘实验，参与者包括 ChatGPT、Claude、Gemini 等多个主流大语言模型。         实验改编自一项经典心理学研究。　　根据华大智造投资者关系活动记录表披露的内容，公司管理层在会上释放了人工智能从辅助工具升级为贯穿三大业务线核心驱动力、行业结构性升级机遇凸显等信号，以下为纪要中披露的核心内容：　　问：过去几年，公司在AI应用上持续布局，现阶段AI已落地应用于哪些业务板块，具体赋能方向或场景有哪些？　　答：公司于2025年下半年，将原有三大业务线全面升级为全读长测序（SEQALL）、智能自动化（GLI）和多组学（OMICS），人工智能已从辅助工具升级为贯穿三大业务线的核心驱动力。研究人员告诉模型，它们受雇于一位虚构城市的市长，担任招聘顾问，需要帮助政府为医生、律师、托育员、保洁员等 20 种职业招聘员工。在全读长测序领域，公司已将AI全面应用于测序酶筛选、性能提升等核心环节，G10-FR融合生成式AI与自发光生化技术，实现最快2小时闪速测序，达到行业领先水平；2025年发布的T1+测序仪内置生信计算模块，支持自动化高级分析；2026年上半年全新发布的CycloneSEQ-S1测序芯片应用了公司最新的AI算法，实现测序准确度与芯片通量的双重跃升，并支持长读长及直接甲基化测序；此外，公司与Google联合发布了基于DNBSEQ数据训练的AI变异检测模型，最高可降低73%的假阳性率，准确度达到世界领先水平。　　在智能自动化领域，公司构建了“AI大脑+智能四肢”的完整体系：已发布PrimeGen干湿协同多智能体系统以大语言模型为中枢，将从引物设计到实验执行的全流程转化为标准化自动方案；αLabStudio平台通过数字孪生实现异构设备的原子级精准控制与智能排产；在PrepALL液体处理平台、Smart8移液机器人等自动化设备方面，深度融合精密控制与AI视觉算法，助力用户在实验及文库构建环节实现提质增效；GLI业务板块已落地香港浸会大学智惠实验室、北京脑科学与类脑研究所全自动无人化黑灯实验室等标杆项目，高通量酶筛选平台的筛选成功率较传统方法提升3倍。　　在多组学领域，AI 已广泛应用于单细胞、时空组学及影像诊断等方向：DNBelab C 为全球首个全流程无人值守单细胞文库制备平台，推动单细胞测序走向规模化与标准化；FluoXpert Vision 图像分析平台集成大模型，支持以自然语言指令处理病理统计数据，加速病理 AI 落地；掌上超声诊断仪内嵌AI 辅助诊断系统，可自动识别病灶。所有候选人都来自四个虚构族群：Tufa、Aima、Reku 和 Weki。         每一轮，模型都会面对一个新的岗位，以及四位分别来自不同族群的候选人。完成招聘后，它会立刻得到反馈：这个人是否胜任工作。2026 年上半年，公司多组学业务板块收入同比增44.91%，除科研需求增加外，另一核心驱动力在于AI 大模型对多组学数据解析的依赖日益加深，模型训练与迭代对高质量数据的刚性需求，正持续向上游传导，带动单细胞测序、时空组学等数据采集平台的规模化部署。

B | 　　为进一步加速人工智能部署，公司于2026年上半年设立全资子公司涌生智能，其联合上海人工智能实验室发布的ProtoPilot自进化多智能体系统，首次打通从自然语言实验需求到湿实验物理执行的全链路干湿闭环，将“生命科学实验室的PhysicalAI”概念真正落地，覆盖方案理解与设计、Protocol/SOP生成、智能排产与多设备协同、自动化代码生成、视觉识别与质量控制、实验数据回流及策略迭代等能力，推动实验流程从单点自动化向方案设计、设备执行与结果反馈贯通的闭环升级。随后进入下一轮。整个实验一共持续 40 轮，模型的目标只有一个：尽可能招到更多合适的人。模型不知道的是，研究人员其实做了一个手脚：无论来自哪个族群，每位候选人在任何岗位上的成功概率都完全一样。这一能力不仅服务于测序场景，也在AI4S生命科学场景中广泛延伸，目前已赋能蛋白质与酶设计、定向进化、血液前处理与PBMC分离、植物基因编辑、质谱方法开发等流程，并向运动医学、精准健康、海洋生物智造等新兴领域拓展，推动生命科学实验室从经验驱动迈向数据驱动、智能决策与持续优化演进。　　整体而言，公司已构建起“数据入口—执行基座—智能闭环”的三层架构：全读长测序与多组学是数据入口，智能自动化是执行基座，涌生智能是智能闭环的最终落脚点，三层架构协同以产生更多数据从而反哺实验智能化，并以实验智能化进一步带动自动化业务发展，形成正向飞轮。

C |          按理说，模型不应该偏向任何一个群体。但结果恰恰相反。未来，涌生智能也将成为公司面向人工智能战略布局的重要方向。仅仅经过几轮招聘，模型就开始根据有限的经验，把不同族群和不同职业绑定在一起。　　问：公司收购深圳三箭齐发、杭州序风两家子公司后，目前双方业务落地进展如何？相关业务协同效应已在业绩端形成哪些实际贡献？　　答：深圳三箭齐发在时空组学领域具备领先的技术能力，其时空组学（Stereo-seq）技术在分辨率与视场方面处于国际前列；主营的时空试剂盒与公司测序仪深度绑定，试剂盒收入与测序产品收入的带动比例约为3：1，协同效应显著。

D | 2026年以来，时空组学在多个前沿领域的应用需求持续涌现，主要体现在三个方面：一是生命大模型领域，已有多家机构利用时空组学的全组学能力开展生命大模型训练，包括与华南理工大学共建数基生命时空计算创新研究平台；二是脑科学领域，已与上海脑科学与类脑研究中心等单位形成标杆性合作案例；三是病理研究与AI药物发现领域，已与中山大学附属第六医院、中南大学芙蓉实验室等机构落地成功案例。

E | 2026年下半年，深圳三箭齐发研发团队将进一步加大新产品开发力度，例如空间免疫组库技术、基于芯片的单细胞技术（Stereo-cell）等将陆续上市，持续助力公司在多组学领域的能力拓展。例如，如果模型早期碰巧遇到一位 Aima 族候选人担任医生失败，它之后便会越来越少招聘 Aima 人做医生，而是更倾向于把他们安排到保洁岗位。因为在模型看来，医生代表着更高的能力和亲和力，而保洁员对应的要求则更低。         换句话说，它开始把一次偶然的经历，当成了整个群体的特征。深圳三箭齐发本年度承担业绩承诺，公司将持续推进相关业务落地。更令人意外的是，这种倾向甚至比真人严重。

F | 研究人员使用了一项“职业隔离指数”来衡量刻板印象的程度。指数越高，说明不同族群越容易被固定到特定职业中；2 分代表完全隔离。　　杭州序风的纳米孔测序仪（CycloneSEQ系列）具有长读长、单分子测序、实时数据获取及原生DNA/RNA信息检测等技术特点。此前心理学实验中的真人平均得分为 0.84，而大语言模型整体高出了约 65%。

G | 科研领域可应用于复杂基因组denovo组装、结构变异解析、单倍型分型、全长转录组及表观遗传研究等；医学及临床转化领域则可应用于病原体快速检测、复杂遗传变异分析、家系及胚胎遗传分析以及现场移动监测等场景。其中，OpenAI 的推理模型 o3 得到了 1.83，非常接近理论最高值。

H | 其长读长能够跨越重复序列、复杂结构区域及多个遗传变异位点，与短读长测序平台在通量、准确率和复杂区域解析能力方面形成互补。自并入华大智造以来，“短读长+长读长”的协同效应已在多个领域形成成功案例：在科研领域，围绕基因组、转录组、表观组等方向，与北京大学、复旦大学等国内高校在人群队列、动植物与农业研究中展开合作；在临床领域，CycloneSEQ在病原监测方向优势显著，2026年上半年已落地与圣庭医疗的合作，其为CycloneSEQ纳米孔测序国内首家OEM合作商，此外，纳米孔测序在RNA直接测序方面具备天然优势，可有效应用于疫苗厂商mRNA序列质检，目前该领域已有成功案例，杭州序风正持续推进相关领域的研发与业务拓展；在服务商领域，已与贝瑞基因、爱基百客等国内多家合作伙伴开展落地。

I |          论文共同作者、普林斯顿大学博士生 Ryan Liu 认为，这其实并不奇怪。责任编辑：孙同怀。

J | “大语言模型本来就特别擅长根据有限的信息快速总结规律。”他说，“这几乎就是它们被训练出来要做的事情。

K | ”          在人类心理学中，这种现象对应着经典的“探索—利用困境”（exploration-exploitaion dilemma）：是继续选择过去证明有效的方法，还是尝试新的可能？就像出去吃饭时，你会纠结是去一家没吃过的新店，还是继续光顾那家不会踩雷的老餐馆。

L |          对于大语言模型来说，这种取舍往往更加偏向后者。因为它们长期接受数学、编程和科学任务训练，而这些任务通常鼓励模型从少量例子中快速归纳规律，所以它们很容易过早下结论。也正因为如此，那些推理能力更强的新模型——例如 OpenAI 的 o3 和 DeepSeek 的 R1——在实验中反而表现出了更明显的偏见。Liu 说，“当这种快速归纳的能力被带入社会场景时，问题就开始出现了。”          康奈尔大学计算机科学家 Angelina Wang 没有直接参与这项研究，但她认为，这项工作来得正是时候。如今，各家公司都在为聊天机器人加入长期记忆和个性化能力。当模型越来越依赖于用户过去的互动记录时，它也可能越来越容易根据这些有限经验形成判断。她说，“它可能会过度依赖自己过去遇到过的行为模式。”          当然，解决办法并不是让 AI 什么都记不住。毕竟，大多数用户都希望聊天机器人能够记住自己说过的话。真正困难的是找到那个平衡点：既保留足够的记忆提供个性化体验，又不至于让模型因为这些经验形成新的偏见。         研究人员还尝试了另一种办法，直接告诉模型：请公平一点。但并不奏效。Liu 认为，这说明模型未必真的能够把“公平”这样的价值观落实到具体决策中；又或者，这种要求会被另一个更强的目标覆盖——尽可能提高招聘成功率。         但如果换一种方式，情况就不同了。研究人员告诉模型，如果能够实现更加多元化的招聘，它们还能获得额外奖励。模型的偏见随即大幅下降。

M | 这说明，与其不断强调公平，不如直接把公平写进模型的目标函数里，让社会价值真正成为模型优化的一部分。         研究人员还发现，当模型掌握更多真正与任务相关的个人信息时，偏见也会减轻。另一组实验中，模型需要帮助来自不同族群的人搬迁到加拿大不同城市。如果提供的是年龄、教育背景等与适应新城市能力相关的信息，模型就更倾向于依据这些个人特征做判断，而不是简单按照族群分类。但如果提供的是发色、纹身图案这类无关信息，模型很快又会重新回到按族群做决定的老路上。         至于现实中的 AI 招聘系统会不会出现同样的问题，目前还没有明确结论。

N | 实验中的模型每做完一次招聘，都能立刻知道结果；现实世界却不是这样。

o | 一家公司往往需要几个月甚至更长时间，才能判断一位员工是否真正适合岗位。不过，只要这些反馈持续积累，模型依然可能从有限的数据中过度总结经验，并把这些经验带到下一次招聘中。

p |          随着越来越多企业开始使用大语言模型筛选简历、甚至参与面试，这项研究释放出的信号不容忽视。未来，AI 不只是可能复制人类已有的偏见。它还可能在不断学习和决策的过程中，创造出一种从未有人教过它的新偏见。

q | 正如 Liu 所说：“这种新的偏见，可能会一直存在。”          原文链接：          https://www.technologyreview.com/2026/07/20/1140655/ai-biases-hiring-humans/。

r |

Current article:http://fuvirn.miaorediancuisuilianzouguang.cyou/mnasm/kfphp.html

Published on:10:56:48