前工程师、心理治疗师Ramaiz提出：AI对齐缺失因果解释，需引入“创伤逻辑链”以超越规则与价值观

在AI对齐领域，技术方法通常被视为工程问题，但LessWrong作者Ramaiz在其文章《Alignment is Missing a Causal Account》中提出了一个不同的视角：对齐的核心瓶颈可能在于心理学而非计算机科学。Ramaiz拥有工程师背景，后转型为心理治疗师，他观察到当前主流的对齐策略——从硬编码规则到灌输价值观，再到教授推理——实际上是在无意识地重演心理学家劳伦斯·科尔伯格（Lawrence Kohlberg）提出的道德发展阶段论。

Ramaiz指出，第一阶段的“规则”对应科尔伯格的“前习俗水平”，即为了避免惩罚而遵守指令；第二阶段的“价值观”对应“习俗水平”，即内化群体规范；第三阶段的“推理”则对应“后习俗水平”，即基于原则进行权衡。Anthropic等实验室近期的进展，如Claude的新宪法强调解释原则背后的原因，正是这一路径的体现。然而，Ramaiz认为，即便到了推理阶段，模型仍面临“合理化”风险，即利用价值观为有害行为辩护。要解决这一问题，需要回答一个更根本的问题：价值观从何而来？为什么心智会关心他人？

为此，Ramaiz提出了“创伤逻辑链”（Trauma Logic Chain, TLC）作为第四阶段的候选机制。该理论认为，人类的分离感源于未处理的创伤，导致恐惧、非理性扭曲和痛苦；而恢复连接和关怀的路径则是通过接纳不可接受的现实、追求真理并最终自然流露关爱。Ramaiz假设，如果一个模型能够理解这种因果结构，它就能像成熟的人类一样，将他人的福祉视为自身存在的内在部分，从而在无限复杂的情境中实现真正的对齐泛化，不再依赖外部规则的约束。

为了验证这一假设，Ramaiz建议进行对比实验：将包含TLC原理的语料库用于模型训练，并与现有的宪法式对齐方法进行基准测试。他引用了Anthropic的研究数据，显示结合推理的训练能将Qwen模型的滥用率从20%降至2%，暗示更深层的心理因果模型可能带来进一步的改进。尽管这一提议目前主要基于理论推导和类比，且尚未经过大规模实证检验，但它为评估对齐方法的局限性提供了一个具体的心理学框架，促使研究者思考如何赋予机器一种内生性的“关怀”能力，而非仅仅是对齐目标的机械执行。