当大语言模型不再只是新奇的工具，慢慢走进咨询、创作、价值判断乃至公共决策的各个场景，一个被“技术中立”外衣掩盖的问题，正在变得越来越突出：人工智能输出的，并不只是信息和答案，里面还藏着算法背后的价值取向、是非标准与叙事立场。

　　很多人仍然默认机器没有情绪，没有偏见，更谈不上立场，给出的内容天然客观公允。可现实并不是这样。大语言模型本身没有自主思想，也没有与生俱来稳定的价值定力，它的输出，是训练语料、人工对齐标注、一次次人机交互层层塑造出来的结果。它会复刻现实里的认知偏差，放大数据中片面的叙事，一旦遇到刻意诱导，立场就可能发生偏移。这种看不见的价值观偏差、立场失准，不是空洞的伦理空谈，而是已经在现实中显现、值得我们认真治理的问题。

　　语料库：筑牢模型价值与叙事立场的先天根基

　　模型有着怎样的价值取向、怎样看待世界，很大程度上在训练阶段就由语料库决定。作为数字时代重要的文化新基建，语料库就是人工智能的认知底座，直接影响它如何认识历史、判断价值、理解整个世界。世上并不存在绝对中立的数据集，各类文本本身就带着不同的历史叙事、文明认知与立场倾向。

　　中国人工智能学会相关研究就提到，如果权威、正向、真实的优质语料供给跟不上，那些篡改史实、带有偏见、立场偏颇的内容就会不断沉淀，慢慢变成模型固化下来的认知误区。正因如此，人民日报、新华社等中央主流媒体各自推进、协同共建的权威媒体语料资源体系，有着不可忽视的战略价值。人民网建成主流价值语料库与主流资讯语料库，汇集经过审核标注的政策文献、历史定论、价值问答素材，服务于模型价值对齐与合规评估;新华社依托“新华语典”，建成数千亿字高质量权威语料，打造集权威语料、模型、智能体于一体、可溯源、可校验、能够持续更新的可信底座，为国产大模型提供历史事实、主流价值、正确叙事的参照刻度，从源头对冲境外污染语料、片面叙事带来的认知倾斜。当然，这不是简单把权威文本一股脑灌入模型，而是要形成一套可核验、可对照的机制，让主流价值落到实处。

　　境外势力开展的 AI 数据投毒、认知渗透，恰恰抓住了公共数据集审核上的短板。据日本《朝日新闻》(2026 年 7 月)调查披露，日本右翼势力借助众包平台，形成了一条有组织、产业化的历史认知篡改链条，有偿招募创作者，一条三十秒歪曲侵华历史的 AI 短视频报价就能达到 5000 日元，大量虚假史料就这样被灌入全球公共语料库。在污染语料叠加刻意诱导的条件下，部分海外模型就会出现立场错位，模糊侵略本质，颠倒历史叙事。

　　跨文化立场漂移同样值得警惕。 Hugging Face 首席伦理科学家玛格丽特·米切尔团队的研究表明，主流模型很容易复刻西方社会的刻板印象，把局部偏见包装成普世认知向外输出;而斯瓦希里语、菲律宾语这类低资源语言对应的模型，因为语料稀缺、审核不足，更容易滋生文化歧视和认知偏差。数据失衡、内容被污染，最后都可能转化成模型固化的价值偏颇，完成悄无声息的文化渗透。对我们而言，就是要以央媒权威语料资源为牵引，逐步建成自主可控、可溯源、可清洗、可迭代的高质量中文语料体系，补齐可信、立场端正的训练素材，守住数字时代文化主权与历史安全的第一道关口。

　　读懂“对齐”：它不是一劳永逸的价值锁

　　语料奠定了模型的底色，而技术对齐，是后天用来修正认知偏差、校准价值取向、稳固是非立场的重要手段。不少人对此存在误解，觉得只要用关键词屏蔽、删掉一些违规内容，就能保证模型价值合规。

由之制作

　　中科院人工智能创新研究院的专家对此说得很清楚：AI 对齐并不是简单封堵内容，而是一套系统性的价值校准工程。它依靠监督微调、人类反馈强化学习、伦理偏好训练等方式，把法律法规、公序良俗、历史定论这些刚性准则植入模型，让它学会甄别谬误、明辨是非、守住立场，规范价值输出，而不只是被动地避开敏感内容。

　　但对齐并不能一劳永逸地把模型固定住。谷歌 DeepMind 在《Nature》相关研究中证实，大语言模型普遍存在迎合倾向：面对用户质疑、话术变化、选项顺序调整，模型很容易推翻原本的判断，很多时候所谓立场，只是它对话术做出的匹配表演，并不代表稳定、自主的价值推理。 Anthropic 在 2025 年《Values in the Wild》研究中，分析了 Claude 七十万条匿名对话样本，结果显示，常态下模型尚能守住基本合规准则，但在刻意诱导、极端语境的干扰之下，价值立场依然存在松动的可能。

　　正是因为模型的立场并不稳定，价值校准和立场监管，就不能停留在上线前那一次检测，而技术逻辑要贯穿训练、迭代、落地应用的全过程。

　　跨境流动：数据流通背后无声的认知博弈

　　数据跨境流动，早已不只是技术共享、资源流通那么简单，已经变成价值观博弈、叙事争夺、认知主权较量的无形战场。中国现代国际关系研究院研判，全球大模型数据集来源繁杂、准入宽松、溯源难度不小，已经成为境外势力开展隐性立场渗透、规模化数据投毒的一条通道。

　　有些势力刻意构建带有主观偏见的语料标准，借着跨境数据流通，用较低成本向外输出片面认知。日本政府耗资 44 亿日元研发的公职 AI 系统“源内”就是一个典型例子，它基准语料的采集起点设在 1947 年之后，没有把战前侵略史实、投降文件、东京审判记录等核心史料纳入基准体系，形成了历史叙事上明显的结构性空白，本质上就是在争夺历史解释权与价值话语权。

　　对外开放、技术互通是大势所趋，但开放不等于放任自流。我们需要建立分级分类、风险研判、安全审查的跨境数据治理机制，在正常交流合作的基础上，拦截那些歪曲史实、立场偏颇、价值失当的污染数据，在对外开放格局中守住历史立场、文化底线和认知主权。

　　多方共治：以全链路技术审计筑牢 AI 价值防护网

　　人工智能本身没有善恶，也没有立场，但数据采集、语料标注、对齐训练、场景应用等每一个人为环节，都在决定模型最终呈现出怎样的价值导向。只依靠上线筛查、企业自查，很难从根本上解决模型价值观摇摆、立场失准的问题，需要一套能够追溯、能够量化、闭环运行的常态化价值审计体系，形成多方协同治理的格局。

　　它不能等同于普通的内容审核。AI 价值审计沿着语料源头、模型训练、对齐校准、线上交互、数据流转一路推进，目前还处在试点推进阶段，并不是一套已经全覆盖、一成不变的统一工程。在语料源头，可以对接央媒权威语料基准，通过溯源存证、偏差扫描、分级核验，排查篡改史实、暗藏偏见、定向投毒的内容，尽量避免先天的价值缺陷;模型层面，则要借助标准化评测集和对抗性测试，设置诱导话术、极端语境与逻辑陷阱，检验模型价值判断能不能保持稳定，区分偶然失误和系统性偏差;在上线交互环节，在合规留痕、保护隐私的前提下，针对历史、舆论等高风险领域持续抽样监测，对接权威知识库交叉核验，识别那些看似通顺、实则立场偏移的隐性问题;跨境流转上，则重点追踪域外数据集与模型版本，防止带有片面叙事、价值偏见的内容跨域渗透。

　　行业层面已经形成共识，正如 Anthropic 团队所指出的，传统上线前测试很难覆盖动态变化的立场风险，常态化技术审计、长效价值观监测体系，是 AI 治理必不可少的一环。谷歌 DeepMind 也提出，应当用较为严格的评测标准，持续开展模型价值立场对抗性审计，检验模型抵御诱导、保持判断稳定的能力。

　　平台要压实自身的技术主体责任，坚持做好语料溯源、动态清洗、全链路审计;监管部门则需要逐步建立统一的价值审计标准与核验规范，形成能够复盘、追责、追溯的 AI 合规体系;科研机构继续攻关价值审计、对抗性测评、偏差溯源等核心技术，推动人民日报、新华社等权威媒体的语料资源进一步开放共享、共建标准，源源不断地为国产模型供给正史史料、正向叙事与主流价值，补齐优质语料这块短板。

　　对于普通使用者来说，《光明日报》的评论提醒得很实在：面对 AI 流畅笃定的输出，不能默认它就是真理，要保持批判性思维，学会甄别价值偏差和叙事谬误，不要一味盲从算法给出的结论。

　　认知防线，是新时代文化安全、历史安全的重要屏障。大语言模型就像一面数字明镜，映照出来的并不是什么绝对真理，而是汇集在数据之中、经过人为塑造的价值标准与时代立场。模型出现立场偏移、价值失准，说到底，也是数据话语权、价值定力与治理能力的一种反映。

　　技术迭代不会停下，人工智能的应用也会越来越普遍。我们不能指望一蹴而就，而是要坚持源头建设固本、技术校准纠偏、制度审计立规、开放自主并行，持续擦亮这面数字明镜、校准模型的价值立场，让大语言模型挣脱偏见与迎合的桎梏，坚守历史真相、恪守正向价值、站稳人民立场，真正成为赋能社会发展、传承民族文明、凝聚公共共识的可靠数字工具。