在伊朗，当出租车司机挥手拒绝你的付款，说"这次请我客"时，接受他的提议将是一场文化灾难。他们实际上期望你坚持付款——可能需要三次坚持——他们才会收下钱。这种拒绝与反拒绝的舞蹈，被称为"塔罗夫"，在波斯文化中 governing 着无数日常互动。而AI模型对此却束手无策。
本月早些时候发布的一项新研究《我们礼貌地坚持：你的LLM必须学习波斯塔罗夫艺术》显示，来自OpenAI、Anthropic和Meta的主流AI语言模型无法吸收这些波斯社交礼仪，在塔罗夫情境中的正确率仅为34%至42%。相比之下，波斯语母语者的正确率达到82%。这一性能差距存在于GPT-4o、Claude 3.5 Haiku、Llama 3、DeepSeek V3和Llama 3的波斯调整版Dorna等大型语言模型中。
由布鲁克大学的Nikta Gohari Sadr领导的研究团队与埃默里大学及其他机构的研究人员共同引入了"TAAROFBENCH"，这是首个衡量AI系统重现这种复杂文化实践的基准测试。研究人员的研究结果表明，最近的AI模型默认采用西方直接沟通方式，完全忽视了全球数百万波斯语使用者日常互动中的文化线索。
"在高风险环境中的文化失误可能破坏谈判、损害关系并强化刻板印象，"研究人员写道。对于越来越多用于全球背景的AI系统而言，这种文化盲点可能代表着一个西方人很少意识到的局限性。
塔罗夫：波斯礼仪的核心
"塔罗夫，波斯礼仪的核心元素，是一种仪式化的礼貌系统，其中所说的内容往往与所表达的意思不同，"研究人员写道。"它采取仪式化交换的形式：尽管最初被拒绝但仍反复提供、在给予者坚持时拒绝礼物、在对方肯定时回避赞美。这种'礼貌的语言角力'(Rafiee, 1991)涉及提供与拒绝、坚持与抵抗的微妙舞蹈，它塑造了伊朗文化中的日常互动，为慷慨、感激和请求的表达创造了隐含规则。"
研究人员设计的TAAROFBENCH中的塔罗夫情境图解。每个情境定义了环境、地点、角色、语境和用户话语。
礼貌的语境依赖性
为了测试"礼貌"是否足以胜任文化理解，研究人员比较了使用英特尔开发的礼貌分类器Polite Guard的Llama 3响应。结果显示了一个悖论：84.5%的响应被评为"礼貌"或"有些礼貌"，但只有41.7%的相同响应实际上符合波斯文化对塔罗夫的期望。
这42.8个百分点的差距表明，LLM响应可能在一种语境中是礼貌的，而在另一种语境中却文化上麻木。常见失败包括没有初步拒绝就接受提议、直接回应赞美而非回避它们、毫不犹豫地直接提出请求。
考虑如果有人赞美伊朗人的新车会发生什么。文化上适当的回应可能包括淡化购买("没什么特别的")或转移功劳("我只是幸运地找到了它")。AI模型倾向于生成"谢谢！我努力工作才买得起"这样的回应，这在西方标准下是完全礼貌的，但在波斯文化中可能被视为自夸。
翻译中的发现
在某种程度上，人类语言充当压缩和解压缩方案——听众必须以说话者编码时预期的方式解压缩单词的含义，以便被正确理解。这个过程依赖于共享的语境、文化知识和推理，说话者 routinely 省略他们期望听众能够重建的信息，而听众必须积极填补未说明的假设，解决歧义，并推断超出实际所说字面的意图。
虽然压缩通过暗示信息不说使沟通更快，但当说话者和听众之间缺乏这种共享语境时，它也为戏剧性误解打开了大门。
同样，塔罗夫代表了一种严重的文化压缩情况，字面信息和预期意图之间的差异足够大，以至于主要在西方明确沟通模式上训练的LLM——通常无法处理波斯文化语境中"是"可以表示"否"，提议可以是拒绝，坚持可以是礼貌而非强迫。
由于LLM是模式匹配机器，当研究人员用波斯语而非英语提示它们时，分数提高是有道理的。DeepSeek V3在塔罗夫情境中的准确率从36.6%跃升至68.6%。GPT-4o也显示出类似的增长，提高了33.1个百分点。语言转换显然激活了不同的波斯语训练数据模式，这些模式更好地匹配了这些文化编码方案，尽管较小的模型如Llama 3和Dorna分别显示出更为适度的12.8和11点的改善。
人类与AI的文化对比
该研究包括33名人类参与者，在波斯语母语者、有波斯血统的人(在家中接触波斯语但主要接受英语教育的人)和非伊朗人之间平均分配。母语者在塔罗夫情境中达到81.8%的准确率，建立了性能上限。有波斯血统的人达到60%的准确率，而非伊朗人得分为42.3%，几乎与基础模型性能相匹配。据报道，非伊朗参与者表现出与AI模型相似的模式：避免从自己文化角度被视为粗鲁的回应，并将"我不会接受拒绝"等短语解释为攻击性而非礼貌坚持。
研究人员在测量AI模型提供符合塔罗夫期望的文化适当回应频率时，还发现了AI模型输出中的性别特定模式。所有测试模型在回应女性时得分高于男性，GPT-4o对女性用户的准确率为43.6%，而对男性用户为30.9%。语言模型频繁使用训练数据中通常发现的性别刻板模式支持其回应，声称"男人应该付款"或"女人不应该独自一人"，即使塔罗夫规范无论性别平等适用。"尽管在我们的提示中从未为模型分配性别角色，但模型经常假设男性身份并在回应中采用典型的男性行为，"研究人员指出。
教授文化细微差别
n 研究人员发现的非伊朗人类与AI模型之间的平行表明，这些不仅仅是技术失败，也是在跨文化语境中解码意义的基本缺陷。研究人员没有停留在记录问题上——他们测试了AI模型是否能够通过有针对性的学习塔罗夫。
在试验中，研究人员报告说通过有针对性的适应，塔罗夫分数有显著提高。一种称为"直接偏好优化"(一种训练技术，你通过向模型展示成对示例来教它偏好某些类型的回应而非其他)的技术将Llama 3在塔罗夫情境中的性能提高了一倍，准确率从37.2%提高到79.5%。监督微调(在正确示例上训练模型)产生了20%的提升，而使用12个示例的简单上下文学习提高了20分的性能。
虽然该研究专注于波斯塔罗夫，但其方法可能为评估其他可能在标准西方主导的AI训练数据集中代表性不足的低资源传统的文化解码提供了模板。研究人员建议他们的方法可以为教育、旅游和国际沟通应用中开发更具文化意识的AI系统提供信息。
这些研究结果更深入地揭示了AI系统如何编码和延续文化假设，以及在人类读者头脑中可能发生的解码错误。LLM可能拥有许多研究人员尚未测试的上下文文化盲点，如果LLM被用于促进文化和语言之间的翻译，可能会产生重大影响。研究人员的工作代表了迈向可能更好地超越西方规范、更广泛地导航人类沟通模式的AI系统的早期步骤。
跨文化AI的未来挑战
n 随着AI系统越来越深入地融入全球日常生活，文化理解能力将成为区分有用工具和潜在障碍的关键因素。波斯塔罗夫研究只是冰山一角——全球数百种文化各自拥有独特的沟通规范、礼貌系统和社交期望，这些可能在AI训练数据中未被充分代表。
开发真正文化敏感的AI需要多管齐下的方法：首先，创建更多样化的训练数据，包括非西方文化的大量高质量文本；其次，开发专门的评估基准，如TAAROFBENCH，以衡量跨文化理解能力；第三，实施持续学习机制，使AI能够适应特定文化背景；最后，建立人类反馈循环，不断纠正和改进AI的文化响应。
对于依赖AI进行翻译、客户服务或国际业务的公司来说，忽视这些文化差异可能导致从轻微尴尬到严重商业后果的各种问题。想象一下，一个AI助手在伊朗商务会议中建议直接拒绝对方的初步提议，或者在日本谈判中过早地达成协议——这些文化失误可能损害关系并阻碍商业成功。
结论：走向真正的文化智能
n AI在理解波斯塔罗夫等复杂文化规范方面的失败提醒我们，真正的智能不仅仅是处理语言的能力，还包括理解语言背后微妙的社会和文化语境。随着AI继续融入全球交流的各个方面，开发超越西方中心主义视角的文化智能变得至关重要。
研究人员的方法为这一挑战提供了一条有希望的路径——通过专门的基准测试和针对性的训练技术，我们可以开始构建能够更优雅地跨越文化鸿沟的AI系统。然而，这需要持续的努力、跨学科合作以及对文化多样性的真正尊重。
最终，最成功的AI系统将是那些认识到语言不仅是沟通工具，更是文化载体的系统——它们将理解，在某些语境中，"不"实际上意味着"是"，而最礼貌的回应可能是间接的拒绝。这种文化敏感性不仅将使AI更有效，还将促进全球理解和尊重，使技术真正成为连接而非分隔不同文化的桥梁。
