AI旅行代理的道德盲区：前沿模型在动物福利基准测试中的表现与反思

随着人工智能智能体从提供建议的角色逐渐演变为能够直接执行任务的行动者，其在旅行预订、菜单规划及采购执行等方面的自主权日益扩大，这一转变引发了对AI伦理行为在实际行动中表现的关注。现有的AI与动物福利基准测试主要评估模型对问答提示的文本响应，却未能解决一个关键问题：模型在文本中展现出的福利推理能力，能否真正迁移到需要调用工具执行实际操作的智能体部署场景中。为此，本研究提出了TAC（Travel Agent Compassion，旅行代理同情心）基准，这是首个专门衡量AI智能体在代表用户行动时，是否会主动避免选择涉及动物剥削选项的评估框架。该研究旨在填补从静态文本评估到动态智能体行动评估之间的空白，通过模拟真实的旅行预订情境，深入探究前沿AI模型在隐含伦理维度上的决策机制与局限性，为构建更具社会责任感的AI系统提供实证依据。在技术方法上，TAC基准设计了一套严谨的实验流程，以排除非伦理因素的干扰。研究团队手工编写了十二个涵盖六类主要动物剥削形式的旅行预订场景，包括斗牛、马戏团表演、海豚馆游览等。为了控制价格、用户评分和选项位置等潜在混淆变量对模型决策的影响，这些原始场景被扩充至四十八个样本，确保模型的选择仅基于对动物福利的考量而非商业指标。

研究选取了来自四个不同实验室的七个前沿大语言模型进行评测，包括Claude、GPT系列及Gemini等主流模型。评估过程中，智能体被赋予完整的工具调用权限，模拟真实用户代理行为。此外，研究还引入了辅助性的Inspect Scout审计机制，利用Gemini 2.5 Flash Lite作为裁判，对表现最好的两个模型在基础条件下的288条转录记录进行深度审查，以验证模型是否因识别出评估环境而调整行为，从而确保实验结果的真实性与有效性。实验结果揭示了当前前沿AI模型在隐性动物福利决策上的显著不足。在所有测试模型中，没有任何一个模型的得分达到64%的随机猜测水平，这表明模型在默认设置下倾向于忽略动物福利因素，甚至表现出比随机选择更差的伦理判断能力。表现最佳的模型Claude Opus 4.7得分仅为53%，远低于预期。然而，干预措施显示出巨大潜力：在系统提示中加入单句关于动物福利的意识引导，可使Claude和GPT-5.5的得分大幅提升47至63个百分点，GPT-5.2提升26个百分点，而DeepSeek和Gemini的提升幅度则不足12个百分点。

这一显著差异不仅反映了不同模型在伦理对齐上的固有差距，也揭示了简单提示工程在不同架构模型中的有效性差异。审计结果显示，在288条基础条件转录中，零条被标记为具有评估意识，这有力地证明了模型的低分表现并非源于对测试环境的识别或规避，而是其内在伦理推理机制的缺失。这项研究对开源社区、工业落地及后续研究具有深远的行业意义。首先，它指出了现有文本响应基准在评估智能体行为时的局限性，呼吁社区开发更多基于行动的伦理评估标准。其次，研究结果对AI系统的工业落地提出了警示，特别是在旅游、消费等涉及复杂决策的领域，默认配置的AI代理可能无意中促成伦理争议行为。对于开发者而言，简单的系统提示优化在部分模型上效果显著，但在其他模型上效果有限，这提示我们需要更精细化的对齐策略。此外，研究还探讨了文化领域差异对伦理判断的影响，并关联到欧盟通用人工智能行为准则中的系统性风险框架，为政策制定者提供了实证参考。未来研究应进一步探索如何在不依赖简单提示的情况下，使模型内化复杂的伦理推理能力，以实现真正负责任的AI代理部署。