生成式人工智能在消费者研究中的演化逻辑：从民主化到平均陷阱与模型崩溃
Yuan Ren
3月4日
*消费者研究中的生成式人工智能民主化：更广泛的参与为数据生态带来新的声音*
今天，一位开启新项目的消费者研究者，起点可能不是数据库，而是一个生成式人工智能系统。几秒之内，一个结构化的框架便会成形：文献脉络被综合，研究问题被表述，潜在假设被勾勒。效率毋庸置疑。
然而 Huang 与 Rust 认为，效率并非核心议题。在 *The GenAI Future of Consumer Research* 一文中，他们提出了一条轨迹：“民主化、平均陷阱、模型崩溃”，用以描述生成式人工智能强度的提升如何逐步重塑消费者、数据分布与研究范式。这条轨迹并非一个关于技术进步的简单故事，而是勾勒出一段从扩张走向收敛、并可能走向自我指涉式衰退的历程。
第一阶段是民主化。通过交互式的提示与回应机制，生成式人工智能降低了参与消费与研究活动的门槛。学者更容易产生构想；消费者得以进入此前难以触及的创意或数字市场。Eapen 等（2023）、Epstein 等（2023）与 Schmitt 等（2024）都指出生成式人工智能如何扩展创新与创造性的可及性。Maciel 与 Weinberger（2024）展示了技术基础设施如何拓宽市场参与。随着更多边缘消费者与罕见消费事件进入数据生态，分布的尾部变得更厚，代表性随之提升。
然而，民主化并不消除偏见。它使数据更能反映真实世界的人类经验，而真实世界的经验本就包含不平等。Kotek 等（2023）发现大语言模型强化了职业性别刻板印象；Ukanwa 与 Rust（2021）则表明，即便没有显性偏见，算法也可能产生排斥性结果。因此，民主化产生了更真实的数据，但未必是社会意义上更可取的数据。表征与偏见之间的这种张力，构成了第一重结构性挑战。
*生成式人工智能的平均陷阱：输出收敛为通用的、千篇一律的消费者洞见*
随着生成式人工智能使用强度加深，这条轨迹进入平均陷阱。由于生成式模型依赖自回归的下一词元预测，它们生成的是统计上最可能的输出。Huang 与 Rust（2024, 2025）认为，这一机制自然会把回应拉向数据分布的均值。Huang 与 Rust（2025）正式将其定义为“平均陷阱”，用以描述输出如何变得通用而缺乏区分度。
即便边缘消费者被纳入数据集，除非他们显著改变整体分布，其影响仍然有限。统计上的收敛压缩了个体的细微差异。模型擅长提供一般性建议，却难以生成高度个性化的方案（Huang and Rust, 2024）。在消费者研究内部，这种收敛可能使研究问题与理论解释趋于狭窄，逐步侵蚀原创性。
*生成式人工智能的模型崩溃：递归的机器生成数据形成自我指涉的循环，逐渐远离人的感受力*
第三阶段，即模型崩溃，代表更深层的结构性风险。随着越来越多的消费决策被交由生成式人工智能代理，机器生成的数据日益主导训练数据集。Shumailov 等（2024）将模型崩溃定义为：当模型在自身合成输出上被递归训练时，分布尾部的逐步丧失。Wenger（2024）说明了反复的自我训练如何消除多样性并扭曲意义。
*消费者研究中的生成式人工智能民主化：更广泛的参与为数据生态带来新的声音*
在消费者研究中，这意味着研究对象可能从人类行为转向对机器行为的建模。Huang 与 Rust（2022）提出“人工智能作为顾客”的概念，凸显人工智能作为市场行动者的新兴角色。当预测的中心从人的偏好转向机器的行动时，输出可能失去“人的感受力”（Huang and Rust, 2024）。到那时，诠释便有可能偏离消费者的亲身经验。
Huang 与 Rust 提出了明确的研究应对。维系数据尾部需要持续关注边缘消费者与转化性研究传统（Mick, 2006; Price et al., 2024）。微调与回应工程可把领域知识与人的洞见嵌入输出，从而缓解收敛（Huang and Rust, 2024, 2025）。在人机混合数据上训练，并在长交互链条中保留人的能动性，能够延缓或避免崩溃（Gerstgrasser et al., 2024; Arora et al., 2025; Valenzuela et al., 2024）。
这条轨迹并非技术宿命，而是有条件的演化。民主化未必导致收敛，收敛也未必终结于崩溃。然而，若缺乏有意识的介入，统计逻辑将压缩多样性，递归式的机器学习则可能使研究远离人的意义。
消费者研究的未来，取决于的并非是否采用生成式人工智能，而是人的复杂性与理论原创性能否在生成式系统中得以维系。
引用 Huang 与 Rust 的话：“大数据能告诉我们人们做了什么，却无法告诉我们为什么。只有以人为中心的研究才能捕捉更深层的消费者洞见。”研究是一段漫长而严谨的探究过程。尽管这可能与机器自动化所追求的效率背道而驰，它仍是通往真理的唯一路径。
References
Arora, N., Chakraborty, I., & Nishimura, Y. (2025). AI–Human Hybrids for Marketing Research: Leveraging Large Language Models (LLMs) as Collaborators. Journal of Marketing , 89 (2), 43–70. https://doi.org/10.1177/00222429241276529
Eapen, T. T., Finkenstadt, D. J., Folk, J., & Venkataswamy, L. (2023). How Generative AI Can Augment Human Creativity. Harvard Business Review , 101 (4), 56–64.
Epstein, Z., Hertzmann, A., Akten, M., Farid, H., Fjeld, J., Frank, M. R., Groh, M., Herman, L., Leach, N., Mahari, R., Pentland, A. “Sandy,” Russakovsky, O., Schroeder, H., & Smith, A. (2023). Art and the science of generative AI. Science (American Association for the Advancement of Science) , 380 (6650), 1110–1111. https://doi.org/10.1126/science.adh4451
Huang, M.-H., & Rust, R. T. (2022). AI as customer. International Journal of Service Industry Management , 33 (2), 210–220. https://doi.org/10.1108/JOSM-11-2021-0425
Huang, M.-H., & Rust, R. T. (2024). The Caring Machine: Feeling AI for Customer Care. Journal of Marketing , 88 (5), 1–23. https://doi.org/10.1177/00222429231224748
Huang, M.-H., & Rust, R. T. (2025), “Creative AI for Marketing Strategy: A Triple Engineering Approach,” Working Paper.
Huang, M.-H., & Rust, R. T. (2025). The GenAI Future of Consumer Research. The Journal of Consumer Research , 52 (1), 4–17. https://doi.org/10.1093/jcr/ucaf013
Gerstgrasser, M., Schaeffer, R., Dey, A., Rafailov, R., Sleight, H., Hughes, J., Korbak, T., Agrawal, R., Pai, D., Gromov, A., Roberts, D. A., Yang, D., Donoho, D. L., & Koyejo, S. (2024). Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data. arXiv.Org .
Kotek, H., Dockum, R., & Sun, D. Q. (2023). Gender bias and stereotypes in Large Language Models. arXiv.Org . https://doi.org/10.48550/arxiv.2308.14921
Maciel, A. F., & Weinberger, M. F. (2024). Crowdfunding as a Market-Fostering Gift System. The Journal of Consumer Research , 50 (6), 1221–1242. https://doi.org/10.1093/jcr/ucad052
Mick, D. G. (2006). PRESIDENTIAL ADDRESS: Meaning and Mattering Through Transformative Consumer Research. Advances in Consumer Research , 33 , 1.
Price, L., Hill, R., & Bone, S. (2024), “Disadvantaged and Vulnerable Consumers,” Journal of Service Research , call for papers.
Schmitt, B., Cotte, J., Giesler, M., Stephen, A. T., & Wood, S. (2024). Will We Be the Last Human Editors of JCR? The Journal of Consumer Research , 51 (3), 451–454. https://doi.org/10.1093/jcr/ucae053
Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature (London) , 631 (8022), 755–759. https://doi.org/10.1038/s41586-024-07566-y Ukanwa, Kalinda, and Roland T. Rust. “Algorithmic Discrimination in Service.” SSRN Electronic Journal , 2020, https://doi.org/10.2139/ssrn.3654943 .
Valenzuela, A., Puntoni, S., Hoffman, D., Castelo, N., De Freitas, J., Dietvorst, B., Hildebrand, C., Huh, Y. E., Meyer, R., Sweeney, M. E., Talaifar, S., Tomaino, G., & Wertenbroch, K. (2024). How Artificial Intelligence Constrains the Human Experience. Journal of the Association for Consumer Research , 9 (3), 241–256. https://doi.org/10.1086/730709
Wenger, E. (2024). AI produces gibberish when trained on too much AI-generated data. Nature (London) , 631 (8022), 742–743. https://doi.org/10.1038/d41586-024-02355-z
留言