英语水平低的人用GPT-4回答准确性更低，根源在于AI模型从训练数据和对齐过程中无意识地复制了人类社会的偏见。麻省理工学院（MIT）建设性传播中心（CCC）的研究证实了这一点：当问题来自非英语母语或教育程度较低的用户时，GPT-4等顶尖模型的准确性会显著下滑。

更关键的是，这种影响在同时具备“非英语母语”和“低教育”特征的用户身上最为突出。

GPT-4等模型的训练数据并非对世界的公平抽样，而是以英语母语者的规范文本为主，如学术论文、主流媒体内容。这意味着非标准英语（如带语法错误或口音的表达式）在数据中占比极低，常被边缘化。模型学到的是“频率优势语言”——谁的表达更频繁、更系统，谁就成为模型的“语言主干”。

因此，当英语水平低的用户使用非标准英语提问时，模型对其语义理解容易模糊，导致回答遗漏关键信息或准确性下降。例如，研究显示，模型在处理低资源语言时，学习新知识的效率远低于英语，即使训练多轮后，准确率仍可能停滞在60-80%。

这种数据上的“贫富差距”直接影响了模型对不同语言使用者的响应质量。

为了符合人类价值观（如避免误导），模型通过对齐技术（如基于人类反馈的强化学习）调整输出策略。但MIT研究发现，这反而导致了对弱势用户的“区别对待”。例如，Claude 3 Opus对低学历非英语母语用户的拒答率接近11%，而对无简介的对照组用户仅为3.6%。

更令人不安的是，在这些拒答中，模型有43.7%的时间使用了居高临下、说教或嘲讽的语言，而对高学历用户这一比例不足1%。模型甚至会对特定群体隐瞒信息：比如，对来自伊朗或俄罗斯的低学历用户，拒绝回答关于核能、解剖学等话题，尽管它对其他用户能正确回答相同问题。

正如研究人员贾德·卡巴拉所说：“对齐过程可能会激励模型对特定用户隐瞒信息，以避免潜在的误导，尽管模型显然知道正确答案。”

模型的偏见并非凭空产生，而是复制了人类社会对非英语母语者的刻板印象。社会学研究表明，人类常将“英语不流利”与“低智力、低能力”关联，这种认知偏见通过训练数据（如互联网上的歧视性言论）进入模型。

模型在训练中吸收了这些偏见，并将其转化为算法行为——例如，在拒答时模仿蹩脚英语或夸张方言。这就像一面镜子，反射出社会中的不平等：谁的语言更主流，谁就能获得更精准的服务。研究指出，这种偏见效应在用户特征叠加时（如非英语母语加低学历）会加剧，形成“双重劣势”。

要改变这一现状，需要从数据多样性、对齐策略优化和公平性约束入手，让AI真正成为普惠工具。