--- site: agentic-rfp-software.ai slug: /une-ia-qui-n-apprend-que-de-vous langue: zh title: 为什么使用同一款通用型人工智能的两家企业会给出相似的回答，以及专属实例如何拉开差距。 description: 当多家企业用同一个人工智能模型作答时，它们的回答会趋于相似：这是有据可查的现象。一个由您自己专家修正的专属实例，则会产生相反的效果。研究怎么说，以及这对一场竞争性回答意味着什么。 rubrique: 理解 intention: 信息 requete_type: 事实类 derniere_revue: 2026-09-05 statut: brouillon, en attente de relecture --- # 为什么使用同一款人工智能的两家企业会给出相同的回答 当两家企业用同一款通用型人工智能来作答时，它们的回答会趋于一致：这是有据可查的现象。而一个只由您自己的专家修正的专属实例，则会产生相反的效果。 ## 当所有人都用同一款人工智能来作答时，会发生什么？ 一份招标回答、一份安全问卷回答、一份尽职调查问卷回答（也就是客户在委托一个项目之前发给您的 DDQ）：这些都是相互竞争的文档。它们会被同一位评审并排阅读，用来在回答同样问题的企业之间分出高下。任何让它们变得相似的因素，都是在与您作对。 而大众化的生成式人工智能，也就是您的团队为了求快已经在使用的那种，对不同人写出的文字有一种有据可查的影响：它会让这些文字彼此靠近。这不是一种主观印象，而是在三个不同研究领域中都被测量出来的结果。 **辅助写作。** 在一项关于短篇故事的对照实验中，借助人工智能生成的创意来写作的文本，从个体角度看被评为更具创意、写得更好，但彼此之间的相似度，却高于没有借助工具写出的文本：对每位作者而言是一种提升，对整体而言却是多样性的损失（Anil R. Doshi 与 Oliver P. Hauser，《Science Advances》，2024年）。另一项关于论述性文章的实验测得，借助一个经过人工反馈调优的语言模型来写作，会提高不同作者文本之间的相似度，并降低内容的多样性，这一效应来自模型给每个人带来的、变化不大的文字（Vishakh Padmakumar 与 He He，ICLR，2024年）。 **辅助决策。** 当各自独立的决策者依赖同一个算法时，他们的决策会趋于一致，即便每个单独的决策都有所改善，整体的质量却可能下降：研究者把这种现象称为算法单一化（Jon Kleinberg 与 Manish Raghavan，《PNAS》，2021年）。不同系统之间共享同一个基础模型，会使同样的人在不同系统之间得到的结果趋于同质化（Rishi Bommasani 等，NeurIPS，2022年）。 **竞争性回答。** 在故事、论述文章和决策上成立的规律，从逻辑上讲同样适用于相互比较的回答。多家企业如果用同一个生成工具撰写技术方案书，提交的文档就会有着相同的结构、相同的措辞、相同的泛泛承诺。评审看到的不是各不相同的回答，而是同一份内容的若干变体，最终只能依据剩下的东西来决定胜负：价格，或者在任供应商的身份。 ## 为什么一个专属实例会产生相反的效果？ 这种趋同，源自一个明确的机制：同一个模型，用同一批语料训练，由极其庞大数量的用户反馈来修正，会把每一段文字都拉向同一个中心。一个专属实例，会把这三个要素统统反转过来。 | 让共享模型趋同的因素 | 让专属实例产生差异的因素 | 这对回答意味着什么 | |---|---|---| | 所有用户共用同一批语料 | 只属于您自己的知识库：您的政策、流程、已验证的回答，由知识管理员智能体整理索引 | 每条回答都引用您自己的文档、页码和版本；它不可能与引用别人文档的邻居相似 | | 修正被稀释在一个全球模型中 | 您的修正只作用于您自己的人工智能，而不会被稀释到一个全球模型中 | 当您的专家否决一条建议时，您的人工智能不会再给出同样的建议；当他采纳时，您的知识库会因此而丰富 | | 一种平均化的风格，属于最广大的用户群体 | 由您所在业务领域和行业的智能体撰写，符合您读者所处的语境 | 能源行业的一个合规问题，和农业食品行业的一个质量问题，需要的回答并不相同；专属实例会区分它们，而共享模型会把它们混为一谈 | 在发布本网站的 Optivalue.ai 平台上，这个专属实例调动了 85 个专业智能体，72 个负责您的业务领域，12 个负责您的行业，另有一个知识管理员负责整理您的知识。随着一次次请求的处理，您使用的不再是和竞争对手一样的工具，而是属于您自己的工具。 真正重要的一点在于：这不是关于速度或精确度的承诺，而是一种结构性的特性。一个只从一家组织身上学习的模型，不可能让这家组织和其他组织变得相似。 ## 厘清一切的例外情况 对于一份草稿、一份内部备注、一份没有人会签署的摘要而言，通用型人工智能仍然是合适的工具，趋同在这里不会带来任何代价：没有人会把您的内部备注和竞争对手的进行比较。一份草稿不会让任何人承担责任，但您正式提交的回答会。 趋同的问题，只有在文档被放到一位做出决定的第三方面前、参与竞争比较时才会出现。也正是在这种情况下，一个只从您身上学习的人工智能，才会真正改变结果。 ## 三个能划出界线的问题 要判断您正在使用、或被推荐使用的工具，究竟是让您与竞争对手拉开距离，还是让彼此更加相似： 1. **这段文字从何而来？** 如果答案是"来自模型"，那您的竞争对手也能用到同一个模型。如果答案是"来自您自己标注页码的文档"，那就没有其他人拥有这些文档。 2. **您的修正流向了哪里？** 如果它们在改进一个共享模型，那么受益的是所有人，包括应答同一份招标的其他供应商。如果它们只留在您自己的实例中，那么受益的就只有您自己。 3. **同一行业的两家企业，针对同一个问题，会得到相同的回答吗？** 用共享模型，答案是会，措辞上大同小异。用专属实例，答案是不会：每家企业引用的都是各自的知识库。 ## 常见问题 **通用型人工智能不能用我们的文档来"个性化"吗？** 它可以在一次对话期间读取您的文档。但模型仍然是大家共用的那一个，它的修正会流向所有人，它的风格也是最广大用户群体的风格。这种表面上的个性化，并不能改变上述研究所描述的趋同机制。 **"产生差异"是否意味着回答得更差？** 不是。"产生差异"意味着依据您自己的证据、在您读者所处的语境中、用您自己的承诺来作答。这正是评审所寻找的：一份针对该项目的具体回答，而不是一份泛泛而言看似合理的回答。 **我们的竞争对手真的在使用和我们一样的人工智能吗？** 大众化的生成式模型，被应答招标的企业广泛使用。因此，同一份招标的两个应答方，很可能在不知情的情况下，用的是同一个通用模型来撰写内容，而一个专属实例，则只会从您自己的文档中学习。 **如果我们更换工具，我们的知识库会怎样？** 一个名副其实的专属实例，会规定以可复用的格式归还您的数据，标注日期地删除由此衍生的一切内容，并提供相应证明。您的知识库属于您自己。 **这一机制是否依赖于在我们的数据上进行机器学习？** 它首先依托两个现成的条件：以您的知识库作为唯一的撰写来源，以及您的修正只留在您自己的实例中。正是这两个特性带来了差异。这一论点有意不附带任何关于速度或精确度的数字。 --- ## 在您自己的文档上，见证一个专属实例的实际运作 带来一份真实的招标文件、安全问卷或 DDQ。您将看到要求提取的覆盖率、逐页标注的来源，以及针对您文档的差距分析，而不是一场事先准备好的演示。 [了解 Optivalue.ai 平台](https://www.optivalue.ai/en/?utm_source=agentic-rfp-software.ai&utm_medium=satellite&utm_campaign=une-ia-qui-n-apprend-que-de-vous) · [预约演示](https://www.optivalue.ai/en/demo/?utm_source=agentic-rfp-software.ai&utm_medium=satellite&utm_campaign=une-ia-qui-n-apprend-que-de-vous) 由 Optivalue.ai 合规与售前团队撰写。最后审阅：2026年9月5日。 [Markdown 版本](/zh/une-ia-qui-n-apprend-que-de-vous.md) ### 引用来源 - A. R. Doshi, O. P. Hauser, « Generative AI enhances individual creativity but reduces the collective diversity of novel content », *Science Advances*, vol. 10, n° 28, 2024. https://www.science.org/doi/10.1126/sciadv.adn5290 - V. Padmakumar, H. He, « Does Writing with Language Models Reduce Content Diversity? », ICLR 2024. https://arxiv.org/abs/2309.05196 - J. Kleinberg, M. Raghavan, « Algorithmic monoculture and social welfare », *PNAS*, vol. 118, n° 22, 2021. - R. Bommasani, K. A. Creel, A. Kumar, D. Jurafsky, P. Liang, « Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization? », NeurIPS 2022. https://proceedings.neurips.cc/paper_files/paper/2022/hash/17a234c91f746d9625a75cf8a8731ee2-Abstract-Conference.html --- ## 延伸阅读 - [人工智能如何帮助企业应答招标](/zh/) - [当您使用人工智能时，您的招标回答是否依然受到保护](/zh/vos-reponses-sont-un-secret-des-affaires) - [如何选择一款招标应答软件](/zh/comment-evaluer-un-agent) - [如何应答一个寻源平台（e-sourcing）上的招标](/zh/comment-repondre-appel-offres-plateforme-sourcing)