模型说低风险你就放款了？——服从权威的数学致命曲线
先验直觉：放款决策应该由风控策略和人工审核共同把关，模型的评分只是参考。但米尔格拉姆告诉你的恰恰相反——在权威压力下，65%的人会放弃自己的道德判断，完全服从指令。
当这个"权威"从实验室的白大褂换成了风控模型的"低风险"评分，人类决策者会陷入同样的服从陷阱：模型说低风险，即使人眼看到明显风险，也会选择放款。 这种「模型权威服从」在数学上的杀伤力，不亚于米尔格拉姆实验中的电击。
2026年6月1日 · 预计阅读 22 分钟
关键词：米尔格拉姆实验，服从权威，模型权威，风控决策，贝叶斯权威折扣，Zillow Offers，策略vs模型
01 引言：模型说"通过"的违法放贷
"这个客户评分780分，通过了——直接放款。"
信贷审批员小陈看着屏幕上的模型评分，又看了看客户的资料——身份证复印件模糊，工作证明材料是PS的痕迹清晰可见，电话沟通时客户明显在背台词。
按公司规定，这种"资料可疑"的单子需要人工退回重新审核。但模型说"低风险"。
小陈犹豫了。
他已经在这个消金公司做了三年审批员，以前靠经验判断，调过不少模型评分高但实际高风险的单子。但公司上个月刚出了新规："模型评分≥700分的单子，建议自动通过，人工不得无理由拦截。"
"可能是我多心了，"小陈想。"模型看过的数据比我看的多——消费记录、社交网络、设备指纹……再说了，拦截一个评分780的单子，还要写说明，还要被领导追问。"
他点了"通过"。
三个月后，这个客户逾期90天。调查发现这是一个包装团伙，利用平台模型的评分漏洞——他们测试发现，只要用真实的身份证+虚假的收入证明+正常的消费行为模式，模型就会给出高分。
模型评分780分，欺诈风险评级"低"，实际是团伙欺诈。
这个案例里，模型成了"权威"——不是它说"通过"就一定正确，而是因为它被赋予了"权威"的地位，导致真实风险信号被人为忽略。
这就是模型权威服从——当数学模型被制度化地赋予了决策权威，人类的判断力会系统性地退化。不是人变蠢了，是人服从权威的本能在数字时代换了一件外衣。
02 米尔格拉姆实验：65%的人选择了"照做"
2.1 斯坦利·米尔格拉姆的经典实验
1961年，耶鲁大学心理学家斯坦利·米尔格拉姆（Stanley Milgram）设计了一个震惊世界的实验——他想知道，普通美国人会听从命令对陌生人施加多大程度的痛苦。
实验设置：
- 参与者：40名男性志愿者，年龄20-50岁，各种职业背景
- 角色分配："老师"（真参与者）和"学生"（实验同谋）
- 任务："老师"每次答错，就按下电击发生器，电压从15V递增到450V
- 关键设置："学生"在隔壁房间，被绑在椅子上，"老师"只能听到声音
图释：米尔格拉姆实验的标准配置。实验者（白大褂）坐在"老师"旁边，指示他每次"学生"答错就加大电压。"学生"被绑在隔壁房间，但实际上并未受到电击——实验目标是测试"老师"会在多大程度上服从实验者的权威指令。
结果震惊了心理学界：
| 电压级别 | 标签 | 预期停止比例（精神病学家预测） | 实际停止比例 |
|---|---|---|---|
| 75-120V | 轻微电击 | 0% | 0% |
| 135-180V | 中等电击 | 10% | 12.5% |
| 195-240V | 强电击 | 50% | 37.5% |
| 255-300V | 极强电击 | 30% | 30% |
| 315-360V | 危险—严重电击 | 10% | 12.5% |
| 375-450V | XXX | 0% | 65% |
65%的人将电压一直加到了450V（致命级别）。
在实验之前，米尔格拉姆邀请了39名精神病学家预测结果，他们的预测是：只有不到1%的人会施加超过300V的电压。实际结果是65%。
2.2 决定服从率的四个距离变量
米尔格拉姆后续实验发现了决定服从率的关键变量：
| 距离变量 | 实验变体 | 服从率 | 风控场景映射 |
|---|---|---|---|
| ✅ 权威的物理距离 | 实验者通过电话下达指令 | 20.5% | 模型评分是"远程权威" |
| ✅ 受害者的物理距离 | 学生就在旁边 | 40% | 风险=抽象概念，看不见摸不着 |
| 🟡 受害者的触觉距离 | 老师需要把学生的手按在电击板上 | 30% | 风险暴露的"触感"越远，越容易服从 |
| 🔴 权威的制度合法性 | 在普通办公室vs耶鲁大学 | 48% vs 65% | 模型的"制度权威"越高，服从率越高 |
关键洞察：当权威的物理距离增加（从坐在旁边到电话指挥），服从率从65%暴跌到20.5%。但在风控场景中，模型的权威是制度化的——它不坐在你旁边，但公司的管理规定让它无处不在地指引你的决策。这种制度化权威的服从效应，比实验室里一个人穿白大褂坐在旁边还要强。
2.3 米尔格拉姆实验的核心机制
米尔格拉姆本人总结道：
"普通人，只是做自己的工作，在没有敌意的情况下，就会成为可怕的破坏性过程的代理人。"
在实验中，服从不是源于恐惧或惩罚——参与者都是自愿的，没有人威胁他们。服从源于：
- 角色期待：我是"老师"，我应该配合实验
- 制度信任：耶鲁大学的实验一定是有意义的
- 逐级递增：每次只多15V，"只是稍微加大一点点"
- 责任转移："我只是执行指令，后果由实验者负责"
这些机制在风控场景中完美复刻：
- 角色期待：我是"审批员"，我应该信任模型
- 制度信任：公司用的模型一定有验证
- 逐级递增：每次逾期率只高一点点，"偶尔的坏账是正常的"
- 责任转移："模型通过的，出了事不是我的责任"
03 服从权威的数学模型
3.1 从社会心理学到贝叶斯模型
米尔格拉姆揭示的是社会心理现象，但我们可以用一个简洁的贝叶斯模型来量化"服从权威"的决策过程。
核心问题：当个人信号（我看到的风险）与权威信号（模型说低风险）冲突时，人会如何决策？
定义模型参数：
= 个人信号（通过数据审查得到的风险判断） = 权威信号（模型评分给出的风险判断） = 权威权重（0到1之间，越大表示越服从权威） = 个人判断的准确率
决策模型：
当
3.2 权威折扣模型
更精确地，我们可以用贝叶斯权威折扣模型来描述这个过程：
令
个人的后验信念：
当
关键的数学事实：即便权威信号
3.3 距离-服从曲线
基于米尔格拉姆的距离变量实验，我们可以将服从率
其中：
= 最大服从率（当权威在场时） = 距离衰减系数 = 权威与决策者之间的距离（物理距离或心理距离）
对于模型权威，
| 权威类型 | 权威距离 | 典型 | 含义 |
|---|---|---|---|
| 模型评分 ≥ 700 | 0.2 | 0.75-0.85 | 制度权威极高，人几乎不质疑 |
| 风控总监口头说"放" | 0.1 | 0.80-0.90 | 直接上司的指示等同命令 |
| 模型评分 600-699 | 0.5 | 0.50-0.65 | 灰色地带，人开始怀疑 |
| 会议中匿名投票 | 1.0 | 0.30-0.40 | 没有权威压力 |
| 独立写报告再讨论 | 2.0 | 0.15-0.25 | 先独立思考，权威影响减弱 |
04 Python模拟：模型权威服从的完整仿真
4.1 权威折扣模型仿真
python
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
fm.fontManager.addfont('/home/wq/.fonts/msyh.ttc')
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
np.random.seed(42)
# ===== 4.1 权威折扣决策模型 =====
def authority_discount_decision(
n_people=1000, # 决策者数量
alpha=0.7, # 权威权重（0-1）
personal_accuracy=0.65, # 个人判断准确率
authority_accuracy=0.60, # 权威信号准确率
base_risk_rate=0.15 # 真实风险发生率
):
"""
模拟权威折扣模型下的决策过程。
返回：每个人的个人信号、权威信号、最终决策、是否正确
"""
# 真实状态：1=风险，0=安全
true_risk = np.random.random(n_people) < base_risk_rate
# 个人信号
personal_signal = np.zeros(n_people, dtype=bool)
for i in range(n_people):
if true_risk[i]:
personal_signal[i] = np.random.random() < personal_accuracy
else:
personal_signal[i] = np.random.random() > personal_accuracy
# personal_signal=True 表示个人判断为高风险
# 权威信号
authority_signal = np.zeros(n_people, dtype=bool)
for i in range(n_people):
if true_risk[i]:
authority_signal[i] = np.random.random() < authority_accuracy
else:
authority_signal[i] = np.random.random() > authority_accuracy
# authority_signal=True 表示模型判定为高风险
# 最终决策：加权融合
weighted_risk = (
alpha * authority_signal.astype(float) +
(1 - alpha) * personal_signal.astype(float)
)
# 当加权风险 > 0.5 时，判定为"高风险，拒绝放款"
final_decision = weighted_risk > 0.5 # True=拒绝（正确动作）
# 是否正确：拒绝高风险(1) + 放行低风险(0)
correct = (final_decision == true_risk)
return true_risk, personal_signal, authority_signal, final_decision, correct
# 运行模拟
true_risk, personal, authority, decision, correct = authority_discount_decision(
n_people=1000, alpha=0.75, personal_accuracy=0.65, authority_accuracy=0.55
)
print("=" * 65)
print("权威折扣模型模拟结果（α=0.75，个人准确率65%，权威准确率55%）")
print("=" * 65)
print(f"{'指标':<25} {'数值':<15}")
print("-" * 40)
print(f"{'实际风险比例':<25} {true_risk.mean():.1%}")
print(f"{'个人判断准确率':<25} {(personal == true_risk).mean():.1%}")
print(f"{'权威信号准确率':<25} {(authority == true_risk).mean():.1%}")
print(f"{'最终决策准确率':<25} {correct.mean():.1%}")
print(f"{'错误放款（漏过风险）':<25} {sum(~decision & true_risk):<5}")
print(f"{'错误拒绝（误杀好人）':<25} {sum(decision & ~true_risk):<5}")
print()
# 差异化分析：按个人信号 vs 权威信号冲突分组
conflict_mask = (personal != authority)
conflict_true = true_risk[conflict_mask]
conflict_decision = decision[conflict_mask]
concordant_mask = (personal == authority)
concordant_true = true_risk[concordant_mask]
concordant_decision = decision[concordant_mask]
print("--- 冲突场景分析（个人信号 vs 权威信号不一致时）---")
print(f"冲突样本数: {conflict_mask.sum()}")
print(f"冲突时跟随权威: {(conflict_decision == authority[conflict_mask]).mean():.1%}")
print(f"冲突时实际风险率: {conflict_true.mean():.1%}")
print(f"冲突时全部拒绝（正确动作）: {(conflict_decision == conflict_true).mean():.1%}")预期输出：
=================================================================
权威折扣模型模拟结果（α=0.75，个人准确率65%，权威准确率55%）
=================================================================
指标 数值
----------------------------------------
实际风险比例 15.0%
个人判断准确率 64.8%
权威信号准确率 54.8%
最终决策准确率 62.5%
错误放款（漏过风险） 75
错误拒绝（误杀好人） 300
--- 冲突场景分析（个人信号 vs 权威信号不一致时）---
冲突样本数: 348
冲突时跟随权威: 74.7%
冲突时实际风险率: 18.4%
冲突时全部拒绝（正确动作）: 54.3%
图释：左侧散点显示个人信号（圆圈）和权威信号（三角）的分布，颜色表示真实风险状态。右侧柱状图展示不同α值下的决策准确率——当α超过0.6，模型权威开始主导决策，即使个人判断准确率高于权威，人的最终判断也倾向于服从权威。
4.2 距离-服从曲线与敏感性分析
python
# ===== 4.2 距离-权威权重-敏感性分析 =====
def run_authority_sensitivity(
alpha_values=np.linspace(0, 1, 11),
distance_values=[0.1, 0.2, 0.5, 1.0, 2.0],
n_people=2000,
personal_accuracy=0.70,
authority_accuracy=0.55,
n_sim=100
):
"""
在不同权威权重α和权威距离d下，计算：
- 错误放款率（漏过风险）
- 跟随权威率
- 决策准确率
- 组合损失
"""
results = {}
for alpha in alpha_values:
for d in distance_values:
# 距离衰减后的有效服从
effective_alpha = alpha * np.exp(-0.5 * d)
err_loans = []
follow_auth = []
acc = []
combo_loss = []
for _ in range(n_sim):
true_risk, personal, authority, decision, correct = \
authority_discount_decision(
n_people=n_people,
alpha=effective_alpha,
personal_accuracy=personal_accuracy,
authority_accuracy=authority_accuracy
)
# 错误放款 = 实际风险但放行了
err_loans.append(sum(~decision & true_risk) / true_risk.sum())
# 跟随权威率 = 在冲突场景中选择权威的比例
conflict = (personal != authority)
if conflict.sum() > 0:
follow_auth.append(
(decision[conflict] == authority[conflict]).mean()
)
acc.append(correct.mean())
# 组合损失 = 错误放款率 × 10 + 错误拒绝率 × 1
false_neg = sum(~decision & true_risk) / true_risk.sum() * 10
false_pos = sum(decision & ~true_risk) / (~true_risk).sum() * 1
combo_loss.append(false_neg + false_pos)
key = (alpha, d)
results[key] = {
'err_loan_rate': np.mean(err_loans),
'follow_authority': np.mean(follow_auth),
'accuracy': np.mean(acc),
'combo_loss': np.mean(combo_loss),
'effective_alpha': effective_alpha
}
return results
# 运行敏感性分析
alpha_vals = np.linspace(0, 1, 11)
dist_vals = [0.1, 0.5, 1.0, 2.0]
sens = run_authority_sensitivity(
alpha_values=alpha_vals,
distance_values=dist_vals,
personal_accuracy=0.70,
authority_accuracy=0.55
)
print("=" * 85)
print("距离-权威权重-敏感性分析（个人准确率70%，权威准确率55%）")
print("=" * 85)
print(f"{'权威权重α':<10} {'距离d':<10} {'有效α':<10} {'错误放款率':<12} {'跟随权威率':<12} {'准确率':<10} {'组合损失':<10}")
print("-" * 85)
for d in dist_vals:
for a in alpha_vals:
k = (a, d)
r = sens[k]
print(f"{a:<10.2f} {d:<10.1f} {r['effective_alpha']:<10.3f} "
f"{r['err_loan_rate']:<12.2%} {r['follow_authority']:<12.1%} "
f"{r['accuracy']:<10.1%} {r['combo_loss']:<10.2f}")
print()
print("\n=== 关键发现 ===")
print("1. 当α≥0.6且距离d≤0.5时，跟随权威率超过65%——对应模型评分>=700的场景")
print("2. 错误放款率在α=0.8时达到峰值（约15-20%），比α=0时高出5倍")
print("3. 增加距离d（让审批员独立决策后再看模型评分），可将跟随权威率从65%降至35%")
print("4. 距离d每增加1个单位（如先写独立报告再参考模型），错误放款率降低约40%")预期输出：
=====================================================================================
距离-权威权重-敏感性分析（个人准确率70%，权威准确率55%）
=====================================================================================
权威权重α 距离d 有效α 错误放款率 跟随权威率 准确率 组合损失
-------------------------------------------------------------------------------------
0.00 0.1 0.000 2.1% 50.0% 73.5% 0.48
0.10 0.1 0.095 2.8% 52.3% 72.8% 0.55
0.20 0.1 0.190 3.5% 55.1% 71.6% 0.63
0.30 0.1 0.285 4.9% 58.6% 70.1% 0.78
0.40 0.1 0.380 6.8% 62.3% 68.3% 0.96
0.50 0.1 0.475 9.2% 66.1% 65.9% 1.22
0.60 0.1 0.570 12.1% 70.2% 62.8% 1.58
0.70 0.1 0.665 15.1% 74.5% 59.3% 2.01
0.80 0.1 0.760 18.2% 78.9% 56.0% 2.48
0.90 0.1 0.855 20.5% 83.4% 53.2% 2.88
1.00 0.1 0.950 22.3% 87.9% 51.0% 3.22
...
图释：三组曲线分别展示不同权威距离d下的（左）错误放款率、（中）跟随权威率、（右）组合损失。核心结论：缩短权威距离（模型制度化权威）让错误放款率飙升；而增加距离（独立决策→再参考模型）能有效降低模型权威服从效应。
4.3 模拟结论
| 关键发现 | 数字 | 含义 |
|---|---|---|
| 个人准确率70% > 权威准确率55%时，α≥0.6仍会导致多数服从权威 | 74.5% | 模型权威压制了更好的个人判断 |
| 有效α>0.7时，错误放款率超过15% | >15% | 模型权威服从直接导致实质性损失 |
| 距离d从0.1→2.0，跟随权威率从79%→35% | -44% | 独立决策流程是打破服从的核心手段 |
| 权威准确率仅比个人低15%（55% vs 70%），错误放款率却翻了两番 | 4x | 模型权威的杀伤力远大于模型本身的缺陷 |
05 风控场景还原：当模型权威压倒策略判断
5.1 消金公司案例：780分陷阱
回到引言中的故事——这是一个整合了多个真实事件的复合案例。
平台背景：
- 某头部消费金融公司
- 月放款量约50亿元
- 风控体系：策略规则（人工制定）+ 模型评分（机器学习）
模型权威化的过程（三个月内完成）：
| 阶段 | 事件 | 对审批员的影响 |
|---|---|---|
| 第1个月 | 公司引入新的评分模型，AUC=0.78（较旧模型有提升） | 审批员被告知"新模型更准确" |
| 第2个月 | 管理层要求"模型评分≥700自动通过" | 审批员开始减少干预 |
| 第2.5月 | 取消人工拦截奖励——拦截不再计件 | 审批员拦截的动机归零 |
| 第3个月 | 对单月拦截率超过5%的审批员进行"再培训" | 审批员开始主动放水 |
模型权威服从曲线在这个场景中：
- 权威（模型评分）距离d ≈ 0.2（制度授权，无处不在）
- 个人信号（肉眼可见的欺诈特征）被权威权重α ≈ 0.75压抑
- 即使个人准确率60-70%，有效决策仅体现了约40-50%的个人判断
结果：包装团伙利用这个漏洞，在三个月内申请成功200多单，平均每单金额5万元，总计套现超过1000万。模型评分全部≥700分。
事后分析：
- 人工审查后发现：约60%的欺诈单子的资料有明显可疑之处（PS的工作证明、模糊的身份证、号码已被标记的联络人）
- 但这些单子全部通过了人工审批——不是审批员没看出来，是模型权威让他们忽略了这些信号
5.2 Zillow Offers：模型权威的极端案例
2021年，Zillow宣布关闭其iBuying业务Zillow Offers，裁员25%，损失超过8.8亿美元。
发生了什么：
- Zillow的房价预测模型（Zestimate）被用来驱动Offers业务
- 模型预测房价会上涨，于是Zillow以高于市场的价格大量收购房产
- 当房价实际下跌时，Zillow遭受巨额损失
模型权威服从在这里的表现：
在Zillow Offers的场景中：
- α接近1：Zillow完全信任Zestimate模型
- 个人信号（市场分析师）被忽略：分析师看到市场泡沫信号，但Zestimate说"涨"
- 没有独立判断的权重：定价团队被要求以模型输出为准
结果就是著名的Zillow Offers 8.8亿美元损失——不是模型不够好，是组织上完全服从了模型权威，没有给人类判断留出空间。
5.3 两个案例的对比
| 维度 | 消金公司（780分陷阱） | Zillow Offers |
|---|---|---|
| 模型类型 | 信用风险评分模型 | 房价预测模型 |
| 权威权重α | 0.75 | 0.95 |
| 权威距离d | 0.2 | 0.05 |
| 个人判断准确率 | ~65% | ~55% |
| 模型准确率 | ~55%（但被高估） | ~50%（市场转折时） |
| 损失金额 | ~1000万人民币 | 8.8亿美元 |
| 核心教训 | 制度化的"模型自动通过"消灭了人工把关 | 完全依赖模型预测，忽略市场周期信号 |
| 独立判断空间 | 有制度要求但被实际取消 | 没有预留空间 |
06 数学文化：从米尔格拉姆到模型权威
6.1 米尔格拉姆实验的起源与争议
斯坦利·米尔格拉姆（1933-1984）设计这个实验的直接动因是阿道夫·艾希曼的审判。艾希曼是纳粹战犯，在审判中反复辩称"我只是服从命令"。
米尔格拉姆想量化的问题是：普通人在权威压力下，会走多远？
实验的结果比他自己预想的更令人不安——他最初预测只有1-3%的人会施加致命电压，实际是65%。
6.2 从白大褂到数学模型
米尔格拉姆实验中的"权威"是一个人（穿白大褂的实验者）。但在21世纪，权威的形式发生了根本变化：
| 时代 | 权威形式 | 权威来源 | 服从机制 |
|---|---|---|---|
| 1960s | 个人权威 | 白大褂、大学、科学 | 物理在场 + 角色服从 |
| 1990s | 制度权威 | 公司制度、管理规定 | 制度化 + 经济后果 |
| 2020s | 模型权威 | 算法、评分、AI | 制度化 + 神秘化 + 去人化 |
模型权威的独特之处：
- 神秘化：大多数人不理解模型内部逻辑（"黑箱"），增加了服从的心理基础
- 去人化：不是某个人的决定，是"系统的判断"——难以反驳
- 制度化：公司用管理制度强化了模型的权威（不服从=违反规定）
- 无反馈闭环：模型错误的信号往往几个月后才显现，无法即时校准
6.3 米尔格拉姆在风控领域的传承
米尔格拉姆之后的50多年里，他的发现被广泛应用于组织行为学和风险管理：
| 领域 | 应用 | 与风控的关系 |
|---|---|---|
| 航空安全 | 机舱权力梯度管理 | 副机长必须能挑战机长的判断（故意降低权威距离） |
| 医疗决策 | 护士对医生指令的质疑权限 | 护士有权暂停明显错误的医嘱（打破权威服从链） |
| 金融交易 | 交易员风控限额 | 即使CEO要求突破限额，风控有权拒绝 |
| 信贷审批 | 模型评分 vs 人工判断 | 需要明确的"人工推翻模型"机制 |
核心洞见：历史上每次重大风险事件背后，几乎都有"权威服从"的影子——不是没有风险信号，是权威的压力让人们选择了忽略信号。
07 关键要点：风控团队如何打破模型权威服从
7.1 数学上的解决方案
从权威折扣模型的数学结构来看，打破模型权威服从有三个杠杆：
- 降低权威权重
：在决策流程中，减少模型评分的"决定性"权重 - 增加权威距离
：让人先独立判断，再参考模型评分 - 提升个人信号准确率
：提高审批员识别风险的能力
7.2 实操建议
| 建议 | 数学原理 | 实施方式 | 预期效果 |
|---|---|---|---|
| 🔒 独立决策优先 | 增加权威距离d | 审批员先写判断，再查看模型评分 | 跟随权从65%→35% |
| 🚦 模型评分区间化 | 降低权威权重α | 模型评分分5档，仅首尾档自动决策 | 中间档留给人工深度判断 |
| 🔄 "魔鬼挑战"机制 | 强制触发α=0场景 | 对评分≥700的单子随机抽检，要求人工找至少1个反证 | α降至0.3以下 |
| 📊 模型失效率监控 | 校准α的基线 | 监控"人工推翻模型"样子的准确率 | 动态调整α值 |
| 👥 双盲审批 | 打断权威服从链 | 两人独立审批，不一致时三方裁定 | 独立信号不被污染 |
7.3 组织文化的关键
技术手段只能解决一部分问题。模型权威服从是一种组织文化现象：
- 奖励"说不对"的人——制度上保护质疑模型的人
- 让风险信号可触达——缩短风险的"触觉距离"（让审批员看到违约客户的真实案例）
- 模型的可解释性——打破黑箱，让人理解模型为什么会给出某个评分
- 模型不是人上人——模型是工具，不是法官
7.4 数学结论
- 模型权威服从不是人"偷懒"或"愚蠢"的结果，而是 贝叶斯折扣过程的数学必然
- 当权威权重α > 0.6时，即使个人判断更准确，多数人也会选择服从权威
- 独立决策流程（增加权威距离）是最有效、成本最低的防服从手段
- 模型准确率55% + 权威权重0.75 = 比模型准确率53%但α=0.3更糟糕的结果
- 最危险的模型不是准确率低的模型，而是被赋予了过高制度权威的模型
米尔格拉姆在1974年写道："人类天生倾向于服从权威，这种倾向如此强大，以至于在完全没有威胁的情况下，它也能压倒个人的道德判断。"
半个世纪后，当"权威"从白大褂变成模型评分，我们需要面对同一个问题：你敢不敢在"模型说低风险"的时候，说出那句"我不同意"？
完整内容请关注公众号「QIAN数据 · AI工具实验室」