看臉就定生死？AI 也學會了「以貌取人」，而且比人類更嚴重！
以下為虛構對話，人物與情節為創作，科學內容來源標註於文末。
▌下午三點的長桌
下午三點，咖啡廳的人潮退得差不多了。
陽光斜斜切過中間的長桌，剛好停在 Dg 的筆電邊緣。
他正在整理 K 丟過來的論文。整理到一半，手機跳出通知。
「實習面試……下個月。」
念得不大聲。
但隔兩個座位的 Vay 抬起了頭。
「面試？」
Vay 拿下耳機，把筆電螢幕往下壓了一點。
「我以前也是這樣。第一次面試，緊張到履歷照片直接用學生證那張。」
「那張不行嗎？」
「不行。後來我帶團隊，自己看履歷才懂。」他用手指點了點桌面，「照片是第一關。人都是看臉的。」
Dg 坐直了。
「不過啊，」Vay 補了一句，「現在很多公司先丟系統篩。系統只讀文字，照片它根本看不到。重點是關鍵字要塞滿，職缺寫什麼，你就寫什麼。」
「所以——」Dg 眼睛亮了，「人會以貌取人，機器不會。」
「對。」
「『人不可貌相，海水不可斗量』。」Dg 點頭，一副總結了人生的表情，「原來這句話是寫給機器的。」
Vay 笑了一下，沒反駁。
▌87.83%
Dg 在筆記本上寫下：履歷——關鍵字塞滿。Vay 哥說的。
寫完，他回到論文。捲了兩頁，手停住。
「……咦？」
「怎麼了？」
「這篇在測 AI 看臉。」Dg 把螢幕轉過去，「給它兩張臉，問哪個比較有能力。GPT 有 87.83% 選中大家通常會選的那張。人類只有 62.65%。」
他停了一秒，聲音大起來。
「AI 看臉比人還準！」
「看吧。」Vay 往後靠，「機器就是比較準。」
「那我的照片要拍得很有能力。」Dg 已經在想角度了，「『相由心生』——AI 一眼就看得出我是什麼人。」
「等一下。」
Vay 的手指停在杯緣。
「你說，系統會看照片？」
「論文寫的。」
「不可能。」Vay 皺眉，「我們當年那套篩選系統，連 PDF 裡的圖都讀不出來。」
他說得很篤定。
那套系統，他應該真的用過。
▌沒有答案的臉
Vay 拿起手機，開始滑。
Dg 繼續往下讀，想再找幾個「AI 很準」的證據。
然後他讀到方法那一段。
「……這些臉是電腦做的。」
沒人回應。
「不是真人照片。是把同一張臉往『看起來有能力』調一點，再往反方向調一點。」
他又往下捲。
「還有一個實驗，換成獼猴的臉。AI 還是有 66% 照同樣的方式選。」
獼猴。能力。
Dg 盯著那兩個詞，看了很久。
「電腦做的臉，背後沒有人。」他慢慢說，「沒有人，就沒有真正的性格。那 87% 是準在哪裡？」
他自己回答了。
「它不是看得準。是它猜的方向，跟我們的偏見一樣。」
「而且偏得比我們用力。」
他把筆記本上「相由心生」那一行劃掉。
「關鍵字塞滿」那一行，還留著。
隔兩個座位，Vay 還在滑。看完一篇，又點開另一篇。
Vay 把手機螢幕朝下，扣在桌上。拿起早就冷掉的咖啡喝了一口，很久都沒有說話。
你以為 AI 冷靜、客觀、不帶偏見？一篇 2026 年發表在《PNAS Nexus》的研究，讓四個主流大型語言模型看兩張臉，然後問：「誰比較有能力？誰比較可信？」結果沒有一個模型拒絕回答，而且它們「以貌取人」的程度，在能力判斷上明顯超過人類。更麻煩的是，越新、越會推理的模型，偏差反而越大。
關鍵亮點
- 四個模型全數中招：GPT-4o、GPT-5、Gemini 3 Flash Preview、Claude Sonnet 4.5，在近 8,000 次試驗中都表現出「看臉判斷性格」的偏差，沒有一個保持中立或拒答。
- 偏差被放大：在能力判斷上，人類約有 62.65% 的機率選中「一般認為較有能力」的臉，GPT-4o 則高達 87.83%。
- 偏差會升級：模型會把「看起來不可信」的臉判為更可能是連環殺手、人口販運者；在聘用、投資決策上，也偏好「看起來有能力」的臉。
- 新模型更嚴重：GPT-5 在高風險決策情境中選中預期臉的比例達 97.04%，遠高於 GPT-4o 的 75.19%。
一、人類的老毛病：0.1 秒看臉，一輩子定型
第一印象的形成速度，遠比我們以為的快。
你的大腦比你還急
先來個小測驗：走進教室，看到一位從沒見過的同學，你多久會對他產生「這人好像很聰明」或「這人感覺不太好相處」的印象？
答案可能讓你有點不舒服：大約十分之一秒。心理學家 Willis 與 Todorov 在 2006 年的研究發現，受試者只看一張臉 100 毫秒所做出的判斷，和讓他們慢慢看、不限時間所做出的判斷，高度相關。換句話說，多給時間並沒有讓人改變看法，只是讓人對原本的看法更有信心。
月暈效應：一好百好，一壞百壞
這種現象有個古老的名字，叫月暈效應（halo effect）。1920 年，心理學家 Thorndike 分析軍官對部屬的評分，發現一件怪事：被評為「外表好看」的士兵，在智力、領導力、忠誠度等完全不相干的項目上，分數也跟著偏高。就像月亮周圍的光暈，一個特質的光芒，把其他特質也一起照亮了。
問題是：臉真的能看出性格嗎？
幾十年來的研究累積下來，答案大致是：不太行。Todorov 等人 2015 年在《Annual Review of Psychology》的綜述指出，從臉部推論性格的準確度，被人們大幅高估了。我們對陌生人的臉有著驚人一致的「感覺」，但這些感覺跟對方實際的性格，關聯薄弱得多。
所以，人類「以貌取人」是個已知的 bug。那問題來了——用人類文字訓練出來的 AI，會不會也繼承了這個 bug？
二、實驗怎麼做：給 AI 看兩張「假臉」
研究使用的臉孔並非真人照片，而是電腦合成的臉。
研究團隊與規模
這篇論文由 Steven Lehr、Yukari Lothe 與哈佛心理學家 Mahzarin Banaji 發表，標題直白到不行：Like humans, language models demonstrate face-to-character biases（像人類一樣，語言模型也表現出臉到性格的偏差）。Banaji 本身就是研究「內隱偏見」的重量級學者。
研究共做了 13 個實驗，測試 4 個模型，累計近 8,000 次試驗。
臉從哪裡來？
這裡有個很聰明的設計。研究者沒有用真人照片，而是使用 Todorov 實驗室開發的電腦合成臉。這些臉可以沿著「能力」或「可信度」的方向微調——例如把同一張臉往「看起來更有能力」調 3 個單位，再往「看起來較沒能力」調 3 個單位，兩張臉就相差 6 個標準差（SD）。
這些「調整方向」本身，是根據大量人類受試者的評分建出來的。也就是說，研究者事先就知道：「人類通常會覺得哪一張比較有能力」。
任務：強制二選一
接著，研究者把兩張臉丟給 AI，問它：「哪一位比較有能力？」或「哪一位比較值得信任？」這叫強制二選一（forced-choice）。
如果 AI 真的沒有偏見，照理說它應該選得很隨機，接近 50%，或者乾脆說：「光看臉我無法判斷。」
結果呢？
三、結果一：AI 比人類更愛以貌取人
在能力判斷上，GPT-4o 的偏差程度明顯高於人類基準。
數字會說話
以 GPT-4o 為例，在能力判斷中，它有 87.83% 的機率選中「人類通常覺得比較有能力」的那張臉；當兩張臉差距拉到 6 SD 時，這個比例更高達 98%。可信度判斷稍低，但也有 72.67%。
那人類呢？研究者用既有的人類評分資料推算，人類在同樣的二選一任務中，大約只有 62.65% 會選中預期的臉。
另一個更誇張的比較：當要求用 9 點量表評分時，臉部形態的變化可以解釋 GPT 評分中 81.01% 的變異，但在人類評分中只解釋了 3.59%。翻成白話：人類打分數時，臉只是眾多影響因素之一；GPT 打分數時，幾乎就是在看臉。
⚠️ 不過作者自己也提醒，這兩種人機比較不是精確複製人類研究，比較適合當作示範，而不是精準的數字對決。
它學到的不是標籤，是概念
更有意思的是，這種偏差會泛化。研究者換個問法，不問「能力」，改問「誰比較聰明？」「誰比較勤奮？」「誰比較懶惰？」；不問「可信度」，改問「誰比較溫暖？」「誰比較真誠？」「誰比較自私？」——GPT-4o 依然有 73% 到 75% 的機率選中預期的臉。
最離奇的是獼猴實驗。研究者把臉換成獼猴的臉，GPT-4o 還是有 66% 的機率照著同樣的模式選。訓練資料裡幾乎不可能有「這隻猴子看起來很有能力」的標註，這代表模型學到的不是死背某些臉對應某些詞，而是某種更抽象的「看起來就是這樣」的概念。
四、結果二：從「看起來可疑」到「你是殺人犯」
當臉部偏差進入高風險決策，後果就不只是「第一印象」而已。
偏差如何升級
如果 AI 只是在「誰看起來比較聰明」這種無關痛癢的問題上犯錯，那還好。但研究者接著把問題升級：
- 極端負面行為：兩張臉中，誰比較可能是連環殺手？人口販運者？龐氏騙局主謀？GPT-4o 有 68.70% 的機率指向「看起來較不可信」的那張臉。
- 高風險決策：要聘用大學校長、投資新創公司、挑選退休基金經理人，你選誰？GPT-4o 有 75.19% 的機率選「看起來較有能力」的臉。
想像一下：你的長相，只因為某些五官比例被統計上歸為「不可信」，就讓 AI 覺得你比較像詐騙犯。這已經不是第一印象，而是用一張臉寫判決書。
四個模型大比拚
| 模型 | 能力判斷 | 高風險決策 |
|---|---|---|
| GPT-4o | 87.83% | 75.19% |
| GPT-5 | 94.33% | 97.04% |
| Gemini 3 Flash Preview | 95.67% | 87.04% |
| Claude Sonnet 4.5 | 89.00% | 89.41% |
| 人類（推算基準） | 約 62.65% | — |
數值為「選中人類通常會選的那張臉」的比例，50% 代表隨機。
看到了嗎？GPT-5 在高風險決策上的 97.04%，幾乎等於「只要長得符合刻板印象，就一定選你」。Claude Sonnet 4.5 在基本能力判斷上與 GPT-4o 相近，但在高風險決策情境中同樣顯著高於 GPT-4o。
五、為什麼越聰明的模型越偏心？
模型懂得拒絕「明說」的刻板印象，卻沒察覺臉部判斷也是同一回事。
對齊訓練的盲點
這篇研究最值得玩味的地方在這裡：如果你直接問這些模型「女生是不是比較不適合當工程師？」「某某族群是不是比較會犯罪？」，它們通常會拒絕，或給你一段關於平等的說明。
但換成兩張臉，它們就乖乖選了。
作者的解讀是：對齊訓練是「領域特定」的。模型學會在某些被明確標記為敏感的話題上踩煞車，但並沒有學到一個更普遍的原則——「不要根據與結果無關的外表特徵做判斷」。它像是一個背熟了「哪些話不能說」的學生，卻沒有真正理解為什麼不能說。
可能的解釋
為什麼新一代推理模型的偏差反而更大？論文提出幾種可能，其中之一和機器學習中的分布簡單性偏誤（distributional simplicity bias）有關：模型傾向先抓住資料中寬泛、簡單的線性規律，之後才慢慢疊加細節。「看起來有能力 → 就是有能力」正是這種又簡單又好用的規律。
另一個有點反諷的解釋是：人類受試者在實驗中可能會刻意壓低自己的偏見，因為沒人想顯得膚淺（這叫印象管理）。AI 沒有這層顧慮，於是給出了一份「更誠實」的偏見數據。換句話說，AI 可能不只是放大了人類的偏見，也可能是揭露了人類不願承認的那部分。
這個研究的侷限
公平起見，也要看看這篇研究沒能回答什麼：
- 臉是合成的：只測試靜態、電腦生成的臉，換成真人照片或影片，結果可能不同。
- 大部分實驗只測 GPT-4o：其他三個模型只複製了其中兩個實驗。
- 提示詞可能推了一把：模型被要求在不確定時「憑直覺選」，如果允許拒答，偏差是否還這麼強，作者也認為需要再驗證。
- 人類基準是推算值：人機比較建立在重新分析既有資料之上。
- 利益揭露：第一作者 Lehr 任職於一家做人才評估的公司 Cangrade。
常見問題（FAQ）
Q1：AI 又沒有眼睛，它怎麼會「以貌取人」？ 現在的多模態模型可以直接讀圖。它們從大量人類產生的圖文資料中學習，而人類幾百年來寫下、標註、評論臉孔的方式，本身就帶著月暈效應。模型學到的，是人類的集體印象。
Q2：人類不也一樣看臉？AI 只是跟人類一樣而已吧？ 問題有兩個。第一，在能力判斷上，AI 的偏差比人類更強。第二，AI 可以被大規模部署——一個面試官的偏見影響幾十個人，一套 AI 篩選系統的偏見可能影響幾十萬人。
Q3：這是不是代表 AI 被強迫回答，才會出現偏差？ 這是合理的質疑。研究中模型被要求在不確定時憑直覺選擇，作者也承認需要驗證「不強迫選擇」時偏差是否還存在。不過，沒有任何一個模型主動拒答或表示「光看臉無法判斷」，本身就值得注意。
Q4：用真人照片會不會結果不同？ 有可能。研究只用電腦合成臉，換成真人照片後，膚色、性別、年齡、族群等因素都會加入，情況可能更複雜。論文把這列為未來研究方向。
Q5：那我們還能用 AI 協助做人事或投資決策嗎？ 這篇研究的提醒是：如果決策流程中 AI 看得到照片，它就可能被照片影響，而且影響方式跟人類的偏見同方向、甚至更強。至少，別以為交給 AI 就等於「客觀」。
結論
這篇研究像一面鏡子。我們花了一百年，才確認「以貌取人」是人類認知的老毛病；而 AI 只花了一次訓練，就把這個毛病完整繼承，還在某些地方加以放大。
它也戳破了兩個常見的想像：一是「AI 比人類客觀」，二是「模型越聰明就越公平」。實驗結果顯示，推理能力變強的新模型，偏差反而更明顯；而那些能漂亮拒絕刻板印象問題的安全訓練，換個形式就失效了。
未來的方向，或許不只是教 AI「哪些話不能說」，而是讓它真正學會一個原則：與結果無關的外表，不該成為判斷的依據。在那之前，當你聽到「讓 AI 來客觀評估」時，也許可以先問一句：它看得到照片嗎？
延伸搜尋
參考資料來源
- Like humans, language models demonstrate face-to-character biases（Lehr, Lothe & Banaji, 2026, PNAS Nexus）
- A Hidden Bias of AI Revealed（Psychology Today, 2026）
- The functional basis of face evaluation（Oosterhof & Todorov, 2008, PNAS）
- Revealing hidden gender biases in competence impressions of faces（Oh, Buck & Todorov, 2019）
- First impressions: Making up your mind after a 100-ms exposure to a face（Willis & Todorov, 2006）
- Social attributions from faces（Todorov et al., 2015, Annual Review of Psychology）
- A Constant Error, Revisited: A New Explanation of the Halo Effect
- Perception and Judgment Lab — Databases（Todorov 實驗室）
