同一个回答，有时被理解为“信息不够”，有时却被理解为“它没有认真听”。系统的文字可能没有变，进入判断的解释已经变了。
Epley、Waytz 与 Cacioppo 在 2007 年提出的拟人化三因子理论，把注意力从机器长得多像人，移到使用者在什么条件下借用关于人的知识、意图与情感来理解它。读懂这篇论文，有助于分开一时的说法、具体的归因，以及由此采取的行动。
一分钟读懂
- 值得带走的问题：我说系统“愿意”“敷衍”或“理解我”时，究竟在描述什么，又期待它接下来做什么？
- 文献性质：整合既有研究、提出可检验预测的理论文章；没有一个代表全篇的统一实验或样本。
- 理论骨架：人类知识激活、效能动机、社交连接动机共同影响拟人化，作者简称为 SEEK。
- 阅读边界：三因子不是三种人格、发展阶段或诊断量表。本文解释归因怎样形成，不用这种解释判定 AI 具有感受，也不把一次拟人表达直接当作依赖或受害的证据。
01 · 一个错误，为什么会被听成一种态度
设想下面这个日常场景。你请 AI 依据一份材料提出修改意见，它漏掉了你刚刚强调的条件。你可以继续补充材料，也可以开始怀疑：它是不是在敷衍我？
这是一个用于讨论的假设，并非论文中的参与者故事。“漏掉条件”指向可以检查的输出；“敷衍”则为这个输出加上一种动机：它知道要求，却不愿认真对待。后一个判断用了我们理解人的方式。
两种解释可能带来不同的下一步。前者让人检查输入与输出的对应，后者让人重复强调态度、表达不满，甚至试着让系统感到内疚。即便最后两个人都重新提问，他们在修补的也可能是不同的问题。
拟人化，英文是 anthropomorphism。Epley 等人把它界定为：赋予非人对象以类似人的特征、动机、意图或情感。对象可以是动物、自然力量、宗教存在，也可以是电子设备。它涉及对对象特征的推断，尤其是不能从表面行为直接看见的心理状态。定义，pp. 864–865 ↗
“系统连续给出了三个近似答案”是对输出的描述；“它坚持自己的立场”又加了一层解释。同样，“它能根据前文调整措辞”与“它担心伤害我”，在证据要求上相距很远。
这不意味着每个拟人的词都代表坚定信念。人可以把电脑故障说成“闹脾气”，同时完全知道这是一句比喻。作者把这种较弱的“仿佛如此”推理，与明确相信对象具有人类特征的较强形式放在连续谱上。他们提出，两者可能受相似条件影响，差别体现在相信的强度及行为后果。强弱形式，p. 867 ↗
因此，读到一句“它懂我”，先不要急着下判断。可以接着看：这个人认为它懂了哪件事？当回应不合适时，他会怎样修正自己的理解？一句话的意义，要连着后面的判断一起看。
02 · SEEK 要解释的，是拟人化为什么时强时弱
这篇文章发表于《Psychological Review》。发表时，Nicholas Epley 署名芝加哥大学商学院，Adam Waytz 与 John T. Cacioppo 署名该校心理学系。他们把社会认知、动机及人与非人对象的研究放在一起，提出一个具体问题：拟人化如此常见，为什么仍会随人、对象和情境而变化？原文首页，p. 864 ↗
他们没有停在“人天生喜欢把东西当成人”。这个说法很难解释：为什么同一个人对宠物、打印机与天气有不同理解？为什么一台平时被当作工具的设备，突然失控时又仿佛有了坏心眼？
作者提出三个决定因素：
- 人类知识激活，elicited agent knowledge：当我解释眼前对象时，关于自己或一般人的知识是否容易被想起，是否被认为适用，有没有其他解释来修正它？
- 效能动机，effectance motivation：我有多需要弄懂对象、预测它、与它有效互动？这里的效能不是系统运行速度，而是人想把局面理解和掌握起来的需要。
- 社交连接动机，sociality motivation：我有多需要与他者建立联系，获得被回应、被理解的感觉？
SEEK 把 Sociality、Effectance 和 Elicited agent Knowledge 的字母组合起来。它是三种共同作用因素的简称，不要求人先寻找连接，再追求控制，最后才懂技术。关于人的知识提供推断材料，两类动机影响哪些材料被注意、应用或修正。理论结构，pp. 865–866 ↗
原文表 1 又把影响来源分成四类：相对稳定的个人差异、当下情境、发展过程以及文化经验。例如，长期孤独与一次被排斥不是同一个变量；长年获得的技术知识与眼前突然出现的人脸，也不是同一种影响。表格列的是预测来源，不是已经全部证实的因果清单。表 1，p. 867 ↗
03 · 先拿自己理解世界，再看有没有别的解释
人很熟悉做一个人的经验：有愿望、会疲惫、会因为被打断而烦躁。理解一个陌生对象时，这些知识容易成为最先拿到的参照。作者把拟人化看成一种归纳推断：借助已有知识理解未知对象，然后在可能的情况下调整这个起点。知识与推断，pp. 868–869 ↗
关键不只在于“知道它不是人”。我们还需要有可用的替代解释，并在判断当时想起它。一个人可以在培训中正确说出系统没有情绪，遇到连续失败时，却仍用“不耐烦”来解释它。拥有某种知识，与在具体情境里调用这种知识，是两件事。
作者回顾的材料包括外形与运动。像人的手、面孔和身体，可能让关于人的知识更容易进入判断；运动速度和互动方式也会影响人是否看见意图。原文举到加速呈现植物运动、放慢蜂鸟运动的研究：行为接近人熟悉的时间尺度时，人更容易从中读出类似人的心智。相似性，p. 869 ↗
这让“像人”变得具体。它可以来自外貌，也可以来自时序、回应关系和行为组织。今天一个纯文字界面即使没有头像，仍值得检查它的称呼、解释方式与对话节奏怎样进入使用者的理解。这是由理论引出的当代问题。
替代知识也来自长期经验。论文讨论不同生活经验下，儿童怎样理解动物：熟悉多种动物的人，可以调用动物自身的分类与特征；相关经验较少的人，可能更多借用关于人的知识。作者用这些材料说明，拟人化的变化不能只按年龄或某种文化“更理性”来排列。发展与文化，pp. 870–871 ↗
放进专业学习，培训也因此多出一种任务。除了告诉学习者“不要把 AI 当人”，还可以给他能用于具体判断的解释资源：系统获得了哪些输入，哪些条件未被明确表达，输出是否稳定，怎样用独立材料核对。仅纠正一句称呼，未必改变下一次故障时使用的解释。
04 · 越想弄懂它，为什么有时越容易觉得它有意图
第二个因素是效能动机。当对象会影响自己的工作，又难以预测时，人有理由寻找一种能让行为变得可理解的解释。把它理解为“有目标”“故意如此”，有时能迅速把零散行为串起来。
原文回顾了一项狗的视频研究。132 名参与者观看一段 30 秒视频两次，先后评价两只狗。另一个 54 人样本已经把其中一只评为更难预测、较难控制。研究者收集有关意识、意愿、人格及与人类相似程度的评价，并测量参与者的控制欲望。研究安排，p. 873 ↗
论文报告，更难预测的狗得到更高的拟人化综合评分；控制欲望较强的人也更容易拟人化。作者还讨论二者的交互，但其报告值为 p = .052，并称为边缘显著。这里应保留这个强度，不能改写成“控制欲越强，失控就必然越激发拟人化”。
两只狗本身可能还有其他差异。紧接着的电子设备研究更有针对性：32 名参与者评价 30 种设备，同一设备可以被描述为较可预测、可控制，也可以被描述为较不可预测、不可控制。每个人阅读一半设备的前一种说明、一半设备的后一种说明，材料分配在参与者之间平衡。设备研究，pp. 873–874 ↗
其中有一款带轮子的闹钟。可控版本说，使用者能够设定按下贪睡键后它怎样行动；不可控版本说，它可能采用不同动作，难以预料。研究者问它在多大程度上有意图、情绪、自由意志、意识及自己的想法，同时也让人评价吸引力、效率和力量等特征。
不可预测说明提高了拟人化评分，却没有在那些非拟人特征上出现同样模式。这个对照的重要性在于：变化更集中于“它是否像有心智的对象”，而非所有评价都一起提高。
但研究仍把可预测性与可控制性放在同一组说明里，不能单独分清是哪一个起作用；阅读产品描述也不等于长期实际使用。作者还提出一个边界：如果行为看起来完全随机，人也可能觉得它毫无心智。由此不能推出一个没有上限的“越失控越像人”定律。边界讨论，p. 874 ↗
这个机制也能帮助理解负面的拟人化。人觉得系统“故意为难”，未必是因为喜欢它，而可能是在为一次无法解释的失败寻找原因。亲切与敌意都可能借用了人的意图，不能只统计赞美机器的词。
05 · 想要连接时，我们更容易看见哪些特征
第三个因素是社交连接动机。作者的预测不是“孤独的人什么都会相信”，而是：当人缺少连接时，可能更注意可形成连接的线索，并把非人对象理解为能够回应自己的存在。社交连接，pp. 875–876 ↗
一个细节使这项预测更有辨别力：被赋予的应当尤其是能够支持连接的特征，而非所有人的特征都上升。
原文介绍的一项研究让 164 名大学生排列最能描述自己或朋友宠物的词。词表同时包括体贴、善解人意等支持性拟人特征，狡猾、嫉妒等非支持性拟人特征，以及敏捷、活跃等行为特征。
孤独量表得分越高，支持性拟人特征的排序越靠前，相关程度较小，报告为 r = −.18、p = .02。这里的负号来自名次编码：排得靠前，数字反而更小。非支持性拟人特征和行为特征没有出现同样的显著关联。相关研究不能单独决定因果方向，但它支持了“更想看见什么”的具体区分。宠物特征排序，p. 876 ↗
论文还回顾一项用电影片段诱发不同感受的实验。孤独条件要求参与者代入《荒岛余生》中主人公发现自身孤立处境的片段；恐惧条件观看《沉默的羔羊》片段；控制条件观看既不以孤立也不以恐惧为主的影片片段。随后，参与者从同类词表里选出最符合宠物的三项特征。
孤独条件下的人更常选择支持性拟人特征，另外两类特征没有出现相同差异。恐惧条件的作用，是让研究不只比较“心情不好”与“心情普通”：结果使笼统的负面情绪解释变弱。不同影片仍有其他差异，因此更精确的机制检验可以换用不同材料重复比较。诱发条件与结果，pp. 876–877 ↗
这些指标主要是当下的特征判断。它们没有单独回答：这种判断是否长期缓解孤独，是否改变现实人际交往，或者会不会让人承担更大风险。把“更容易赋予支持性特征”与“支持效果已经发生”分开，恰好能使下一步研究更清楚。
06 · 三个因素怎样一起作用
如果只记住三个名称，这篇文章容易变成一张万能解释表：出现拟人化就找一个因素，没有出现就找另一个因素。原文后半段的重要工作，是提出三者在什么条件下会给出不同预测。
例如，效能动机很强，未必总让拟人化增加。如果人已经掌握并能够调用更合适的技术解释，越想弄明白问题，反而越可能使用这些替代知识。社交连接动机则可能不同：一个熟悉电脑构造的人，仍可能在缺少人际连接时把电脑当作可以相处的对象。这是作者提出的条件性预测，不是给“技术人员”固定一种性格。因素间关系，pp. 878–879 ↗
两类影响的时间过程也可能不同。某个外形或词语激活的知识，可能很快变弱，或被其他知识修正；想弄懂问题、想与别人建立连接的动机，则可能持续到需要得到满足。一次互动后的问卷，因而未必能代表一周之后的理解。
这给专业培训一个可用的区分。某个人把故障说成“系统不配合”，可能需要的是更具体的解释和排错经验；另一个人知道原理，却珍惜这种随时获得回应的体验，单靠再讲一遍原理可能触不到他的需求。两者外表上都在用拟人语言，学习任务却不同。
也可以反过来检验理论。如果提供替代知识后，使用者仍然只用意图解释错误，要看知识是否真的可用；如果它已经能帮助人准确预测输出，拟人归因仍完全不变，就需要重新判断动机、测量或理论是否解释得够好。理论的价值，取决于它能提出怎样可能失败的预测。
07 · 与 CASA 的分歧，先从定义读起
第 11 篇 Nass 与 Moon 的精读 ↗讨论过，人可以明确否认电脑有感情，却仍在礼貌、互惠或团队安排中作出社会回应。那篇论文把拟人化限定为真诚、经过思考地相信机器具有人类特征，并据此强调社会回应不必来自这种信念。
Epley 等人在这里采用了更宽的范围，包含较弱的“仿佛如此”的推断。因此，两个论述未必在用同一把尺子争论同一件事。一个人事后说“我当然知道它没有感情”，可以削弱强信念的解释，却不足以单独排除互动中短暂出现的意图归因。本篇强弱区分，p. 867 ↗
同样，也不能因为定义较宽，就把所有社会回应都装进拟人化。感谢可能是表达习惯，服从建议可能来自对任务能力的判断，礼貌可能是有意维持自己说话的方式。要知道拟人化是否参与其中，需要询问人把哪些特征赋予了系统，以及这些归因是否影响下一步。
本文据此提出一个阅读判断：CASA 帮助我们观察社会回应在何种安排下发生；SEEK 进一步提供关于人类特征归因为何变化的解释资源。两者可以互相启发，但“做得像在与人相处”与“怎样理解这个对象”仍应分别获得证据。
08 · 理论很有力量，证据却不是每一格同样厚
这篇论文的长处，是把分散现象组织成可比较的解释。拟人化不再只被归结为机器造型，也不必被理解成一种稳定的个人缺点。对象提供的线索、使用者的知识和当时的需要，都进入了分析。
作者也明确承认，当时直接研究拟人化的实验仍有限，不少依据来自人与人之间的社会认知研究，再向非人对象推展；有些预测比另一些得到更充分支持，许多仍未检验。证据状态，p. 878 ↗
因此，读原文时可以保留三层：直接测量非人对象归因的研究；为认知过程提供间接支持的人际研究；由理论推导、尚待检验的文化或发展预测。比如表 1 的存在，不意味着研究者已经把三个因素与四类影响逐一做成实验。
我们还应关注测量本身。意识、意图、情绪和人格可以彼此相关，却未必在每一种对象上都是同一件事。评价一只狗与评价闹钟，所依据的事实和常识也不同。将这些题目合成一个指标便于检验，但当我们转向 AI，需要说明到底研究的是能力、体验、社会角色还是道德关切，不能用“像人”包办全部。
文章末尾讨论去人化，即不把某些人的人类特征充分归给他们。作者由此推测，理解如何赋予非人对象以人类特征，也可能帮助理解人类特征如何被撤回。这里没有一个“给机器的关心越多，给人的关心就必然越少”的固定总量，也没有实验建立这种零和关系。去人化讨论，p. 880 ↗
值得继续追问的是，特定情境中谁被当作值得理解的对象，谁的意见反而被略过。这个问题需要观察实际关系与安排，不能只凭使用者给 AI 取了名字来回答。
09 · 研究启发：让三种解释真正能够比较
以下是从本文引出的研究设计设想，不是作者已经完成的 AI 实验。
第一，可以把技术解释与拟人线索分开安排。让学习者接触相同的输出，一部分得到能用于预测具体失误的机制说明，另一部分得到一般使用介绍；再分别使用中性的功能说明或带人际特征的表达。除特征归因外，还测下一轮预测是否准确、是否愿意核查。这样才能看见，归因变化是否伴随理解改善。
第二，可以把行为不稳定与任务重要性分开。同一套建议在不同轮次呈现稳定或变化的表现，再改变使用者是否需要长期与该系统合作。结果不只问满意度，还看人是否开始赋予意图、选择什么修复方式。若不稳定只是降低能力评价，却没有增加意图归因，便不能把所有不满都归到效能动机下的拟人化。
第三，可以用短期日记连接归因与实际关系。记录同一个人在不同工作情境下感到的支持、给系统的特征判断、核查与求助行为，并在一段时间后再看人际联系是否变化。这里应测有意义联系的质量，不能用通讯录人数代替连接感，也不能用对机器说了几次谢谢代替拟人化。
对于不做实验的读者，也可以保留一个小练习。遇到想说“它故意如此”的时刻，先写下可观察的输出，再写自己的意图解释，最后列一个能区分两种解释的下一步检查。例如换一种明确表达、提供遗漏条件，或比较同一输入下的回应。检查结果回来之后，再决定原来的解释要不要保留。
我们无法直接走进另一个对象内部，但可以让自己使用的解释接受一点检验。读完这篇论文，最有用的变化或许就是：当系统仿佛有了态度时，能多看见一次归因是怎样发生的。
10 · 延伸阅读
- 看理论怎样进入具体研究：Epley、Waytz、Akalis 与 Cacioppo（2008）的《When We Need a Human》报告社交连接与效能动机相关的两项研究。它与本篇引用的当时待刊研究相接，不应被当作完全独立的一次重复验证。作者题录与摘要 ↗
- 比较不同的理论问题：Nass 与 Moon：明知它是机器，为什么还会对它客气？ ↗便于区分社会回应、明确相信与一时归因；Guzman 与 Lewis：我们是在用 AI，还是在和它交流？ ↗则把视角进一步移向沟通中的意义与角色。
- 把解释接到使用决定：Lee 与 See：AI 值得信任，就该把任务交给它吗？ ↗帮助分开对系统的看法、信任与实际依赖。喜欢一个系统、认为它理解自己和把任务交给它，需要分别说明依据。
11 · 原文与版本
Epley, N., Waytz, A., & Cacioppo, J. T.（2007）. On Seeing Human: A Three-Factor Theory of Anthropomorphism. Psychological Review, 114(4), 864–886. DOI 与原文入口 ↗ · 作者所在机构题录 ↗
核对范围：正文 pp. 864–880、表 1 及有关研究的引用关系；页码均为期刊印刷页码。本文着重讲解理论、设备与宠物研究以及因素间关系，未逐项展开宗教、发展与文化材料；引用到的早期研究依本篇报告转述，未逐篇独立复核全部原始报告。关于当代 AI 与专业学习的场景和研究设计均为编辑延伸。
文字 v0.1 · 2026-09-24。创学空间 · 论文精读。