一、引言：一个被"相关"遮蔽的"机制"问题
生成式人工智能（GAI）正在快速嵌入公共生活，但一个悖论挥之不去：使用率越高，信任度反而越低。IBM 对 12 个国家 20589 名消费者的调查显示，2023—2024 年企业级 AI 使用率从 52% 升至 69%，消费者信任度却从 63% 降至 59%；44% 的公众把"透明度"列为信任的首要条件，远高于"产品功能"（23%）[1]。Meltwater 与 YouGov 对 7 国的调查则显示，51% 的受访者对生成式 AI 持怀疑态度，正面情绪一年内由 22% 降至 17%[2]。
"透明度提升信任"几乎已是政策与行业共识。欧盟《人工智能法案》要求通用 AI 模型披露训练数据摘要、标识 AI 生成内容[12]；中国通过《算法推荐管理规定》《深度合成管理规定》《生成式人工智能服务管理暂行办法》建立算法备案与内容标识制度[6][7][8]；美国加州 SB 942、SB 2013 也在州层面强制披露与标识。技术侧，C2PA 内容凭证、SynthID 水印、Model Cards 快速成熟[14]。
然而，现实同时存在两类相反的现象：一边是"标识了、披露了，公众依然不信"；另一边是"披露越详细、模型卡越长，公众越困惑甚至更不信任"——所谓透明悖论（transparency paradox）[4]。这说明"透明→信任"远不是一条单调直线。
现有研究多把透明度当作单一维度变量，去估计它与信任的相关系数（例如一项基于 419 人的结构方程研究报告 β 高达 0.434–0.582[5]），却很少回答一个更根本的问题：
透明度信息在人脑中究竟经由哪条加工通道、产生了何种性质的信任？为什么有时增信、有时减信？
本文的主张是：要回答这个问题，必须引入认知心理学的双重加工理论（Dual-Process Theory）[3]。公众面对算法透明度时，并非一个统一的"理性处理器"在工作：AI 生成标识、认证徽章等线索被快速直觉的系统 1捕获；而模型卡、训练数据、性能局限、审计报告则需要缓慢审慎的系统 2投入认知资源。两条路径产生不同的信任——直觉性的情感信任与审慎性的认知信任，它们可能协同，也可能冲突。透明悖论的根源，正是系统 2 无法完成加工时的认知过载，以及系统 1 被"表面透明"误导后的盲信。
本文尝试完成三件事：第一，用双重加工理论重构透明度的类型学，提出信号型透明 / 实质型透明的二分；第二，构建一个可检验的双路径因果模型，给出具体假设与实验范式；第三，从模型推导出分层、双路径协同的治理策略。
二、理论透镜：双重加工理论及其在说服与信任中的延伸
2.1 系统 1 与系统 2
双重加工理论主张，人的认知与决策由两套性质不同的加工协同完成[3]：
- 系统 1：快速、自动、直觉、联想，几乎不消耗注意力，依赖启发式与边缘线索，易受偏差影响；
- 系统 2：缓慢、受控、分析、基于规则，需要工作记忆与注意力，能够进行逻辑推理与自我校正，但"懒惰"，常默认接受系统 1 的结论。
2.2 从说服双路径到人机信任
这一区分在社会心理学中已有成熟对应：Petty 与 Cacioppo 的精细加工可能性模型（ELM）区分了说服的中心路径（依赖论据质量，需系统 2）与边缘路径（依赖来源魅力、线索数量等表面信号，走系统 1）[25]；Chaiken 的启发式—系统模型同理。在自动化与 AI 信任研究中，Lee 与 See 区分了基于能力/可靠性的认知信任与基于善意/诚信的情感信任[26]，Glikson 与 Woolley 进一步把人对 AI 的信任区分为认知型与情感型[27]。
把这两条脉络接起来，一个自然的推论是：不同的透明度线索会经由不同路径，沉淀为不同性质的信任。 这正是本文的理论起点。
2.3 为什么生成式 AI 让这个问题更尖锐
与传统推荐算法、决策支持系统相比，生成式 AI 有三个特殊性，使双路径冲突更频繁：
- 输出拟人化、流畅度高：自然语言本身就是强力的系统 1 线索，流畅的表达会被误当作正确性，抑制系统 2 的核查（"听起来有道理"效应）。
- 幻觉与不确定性内生：模型会自信地输出错误内容，一旦系统 2 不介入，极易形成盲信。
- 透明度信息高度技术化：模型卡、训练数据、评测指标对普通公众是高认知负荷文本，系统 2 要么放弃，要么被信息洪流淹没。
这意味着，生成式 AI 的信任治理，本质上是一个如何引导公众在恰当时刻从系统 1 切换到系统 2 的问题。
三、核心重构：信号型透明与实质型透明
既有透明度分类多从"企业披露什么"出发（数据、模型、过程、关系，或 ISO/IEC 12792:2025 的上下文/系统/模型/数据集四级[11]）。本文补充一个从公众认知出发的正交分类——按线索被加工的方式，把透明度要素分为两类：
3.1 信号型透明（走系统 1）
可被快速、低努力感知的边缘线索，本身不提供可验证的实质内容，但传递"这是可信/有风险"的信号：
- AI 生成内容的显性标签与不可见水印；
- 权威认证徽章、备案标识、合规标志；
- 简洁的风险分级提示（红/黄/绿）；
- 品牌信誉、界面专业度、拟人化设计；
- 来源链接的存在与否（"有引用"这一形式本身）。
信号型透明的特点是认知成本低、覆盖面广、但脆弱：它能在公众认知忙碌时快速建立基本判断，却容易被"洗绿"（signal washing）——用漂亮徽章掩盖实质问题。
3.2 实质型透明（走系统 2）
需要投入注意力才能理解的中心论据，提供可核查的事实：
- 训练数据的来源、范围、时效与版权处理；
- 模型能力边界、已知局限、失败模式与幻觉率；
- 可解释性信息（为什么给出这个输出）；
- 评测方法、第三方审计报告、算法备案详情；
- 数据删除、申诉、人工复核与问责救济渠道。
实质型透明的特点是认知成本高、增信更稳健、但存在过载阈值：超过公众理解能力或信息处理容量时，它不仅不增信，反而引发困惑与负面情感。
3.3 二者关系
二者不是对立，而是互补且需要匹配：信号回答"我该不该立刻警惕"，实质回答"我能不能理性判断"。治理的艺术，在于用信号把人"叫醒"，再用可理解的实质信息让人"想明白"。
四、双路径因果模型
基于上述重构，本文提出如下因果链：
透明度架构（自变量） 加工路径（机制/中介） 信任结果（因变量） 边界条件（调节）
───────────────── ───────────────── ──────────────── ─────────────
信号型透明 ──▶ 系统1：直觉/启发式 ──▶ 情感性信任 · 认知反思倾向(CRT)
· AI标识/水印 · 快速自动低努力 · 亲近感/善意 · AI技术素养
· 认证徽章/备案标识 · 依赖边缘线索 · 直觉性"觉得可靠" · 认知负荷
· 风险标签/品牌 · 情感反应 ↓ · 时间压力
│ │ 盲从性信任(危险) · 卷入度/动机
│ │ ↑ · 场景风险等级
实质型透明 ──▶ 系统2：分析/审慎 ──▶ 认知性信任 · 事故/曝光经历
· 数据来源/范围 · 缓慢受控高努力 · 对能力/局限的判断 · 文化/法域
· 模型卡/局限/失败模式 · 评估论据、权衡风险 · 校准信任(该信则信) │
· 审计/备案/可解释性 · 受动机与能力约束 ↓ 行为后果
· 问责与救济渠道 │ 行为性信任 · 采纳/使用意愿
│ │ · 使用/付费意愿 · 核查行为
└────────────────────┴─────────────────────────┘ · 信息分享/合规
│
路径冲突 = 透明悖论
（信息过载 / 暴露不确定性 → 系统2无力加工 → 困惑或退回直觉 → 减信/盲信）
│
▼
分层、双路径协同治理（反馈调节透明度供给）
模型包含三组关键命题：
命题一（路径分离）：信号型透明主要通过系统 1 影响情感性信任；实质型透明主要通过系统 2 影响认知性信任。
命题二（信任分化）：系统 1 主导的情感信任既可能是健康的亲近感，也可能滑向盲从性信任（对错误输出也照单全收）；系统 2 主导的认知信任更接近校准信任——信任程度与系统真实可靠性相匹配。治理的目标不是最大化信任，而是提升校准信任、抑制盲信。
命题三（悖论机制）：当实质型透明的信息复杂度超过系统 2 的加工容量（高认知负荷、低素养、专业术语堆砌、暴露大量不确定性），系统 2 无法完成评估，个体会产生困惑与负面情感，或干脆退回系统 1 的直觉判断。这就是"越透明越不信任"的认知根源。
五、可检验假设
将上述命题操作化为一组可验证的假设：
主效应
- H1：信号型透明（相对无标识）主要提升情感性信任；实质型透明主要提升认知性/校准信任；二者对总体信任的作用路径不同。
- H2：实质型透明的增信效应呈倒 U 型——信息复杂度超过阈值后信任下降（透明悖论）；信号型透明效应更接近线性，但一旦被识破为"表面文章"会显著反噬。
中介机制
- H3a：信号型透明 → 感知善意/情感反应（系统 1）→ 情感性信任。
- H3b：实质型透明 → 感知能力/感知控制/感知公平（系统 2）→ 认知性信任。
- H4：感知控制与感知可问责性是实质型透明影响认知信任的核心中介。
调节与边界（最能体现双加工特色）
- H5：认知负荷或时间压力会削弱实质型透明的增信效应，但**不削弱（甚至增强）**信号型透明效应——因为系统 2 被占用后只能依赖系统 1。
- H6：认知反思倾向（CRT）与 AI 素养起调节作用：高 CRT/高素养者更能从实质型透明中获得认知信任；低 CRT/低素养者主要响应信号型透明，更易信息过载。
- H7：高风险场景（医疗/司法/金融）天然激活系统 2（提高卷入度），使实质型透明的边际增信作用更大；低风险场景（娱乐/创作）主要由系统 1 主导，信号型透明更有效。
- H8：事故曝光/负面新闻会暂时强化系统 2 的审慎加工，使公众对实质信息更敏感、对表面信号更怀疑。
行为后果
- H9：认知性（校准）信任正向预测核查行为与审慎使用；情感性（直觉）信任正向预测使用意愿，却负向预测核查（盲信导致不核实）。
六、研究设计：如何真正"抓到"两条路径
双路径不能靠问卷自称（"我是理性判断的"并不可靠），必须用实验操纵 + 过程指标 + 个体差异三角验证。
6.1 情景实验（核心）
构建高保真但虚构的生成式 AI 产品界面（避免真实品牌光环），采用被试间因子设计：
实验一：主效应与倒 U 型 2（信号型透明：有/无）× 2（实质型透明：有/无），并把实质信息复杂度设为无 / 摘要 / 详细 / 过载四个梯度以检验 H2。被试观看产品页面和一段预植了若干隐性错误的 AI 输出，测量信任与行为。
实验二：路径分离（关键创新） 引入三种操纵来分离系统 1/2：
- 认知负荷：半数被试同时完成工作记忆双任务（如记住 7 位数字）；
- 时间压力：限时判断 vs 不限时；
- 加工启动："凭第一感觉" vs "仔细分析后回答"。
若高负荷/限时/直觉启动条件下，实质型透明的增信效应显著减弱、而信号型透明效应保持甚至增强，就有力证明了两条路径（H5）。
实验三：场景与调节 操纵风险场景（高/低），测量 CRT、AI 素养、监管信任、事故经历，检验 H6–H8。
6.2 过程性测量
- 反应时：系统 1 判断更快，依赖实质信息的系统 2 判断更慢；
- 眼动/鼠标悬停/滚动行为：被试是否真的阅读了模型卡，还是只扫了一眼徽章；
- 信息检索行为：是否点击"查看数据来源""审计报告"，看多久——这是系统 2 投入的行为痕迹；
- 事后归因编码：把判断依据编码为"边缘线索" vs "中心论据"。
6.3 校准信任的行为测量
不要只问"信不信任"，而要测信任是否校准：在输出中预植可验证的错误与幻觉，记录被试能否识别、是否主动核查（提供核查工具）、核查后是否调整采纳决策。校准信任 = 对正确输出采纳、对错误输出质疑。 这直接回应 H9。
6.4 外部效度
- 准实验：利用透明度政策冲击（算法备案公示、加州 SB 942 生效、深度伪造事件）做双重差分（DID）/中断时间序列；
- 跨法域调查：中、美、欧分层抽样，做测量不变性检验后比较文化调节；
- 计算分析：抓取应用商店评论与社交讨论，用 NLP/情感分析刻画信任维度与事件响应。
七、从模型到治理：双路径协同策略
治理建议必须从实证结论中长出来。核心原则是：同时喂养两条路径，并引导系统 2 在该启动时启动。
7.1 给系统 1：清晰、统一、可识别的信号
- 强制、标准化的 AI 生成内容标识（显性标签 + 不可见水印）、权威认证徽章、简洁风险提示；
- 让认知忙碌的公众也能在几秒内形成基本判断；
- 但必须有实质背书：信号一旦被系统 2 识破为"洗绿"，反噬更强（H2）。因此认证、备案必须可核查、有罚则，不能沦为贴纸。
7.2 给系统 2：分层、可理解、可验证的实质信息
- 模型卡、数据来源、性能局限、审计报告必须提供，但要渐进式披露：
- 一层是普通人能懂的摘要（激活系统 2 而不超载）；
- 二层是给研究者、记者、监管的完整技术文档；
- 高风险场景强制提供可核查的实质信息（此时系统 2 天然被激活，公众会主动找信息）。
7.3 用"助推"激活系统 2
- 在高风险输出前设置短暂"减速"提示（"请核实关键信息"）；
- 默认展示置信度/来源，提供"一键核查"入口；
- 这相当于在不剥夺选择自由的前提下，引导公众从直觉接受切换到审慎判断——直接回应"盲信"问题。
7.4 强化问责与救济（喂饱"感知控制"）
投诉、更正、申诉、人工复核渠道主要作用于系统 2 的感知控制与可问责，是认知信任的重要来源（H4）。只有"能追究"，公众才会相信前面的信号和信息不是摆设。
7.5 差异化治理
| 维度 | 低风险（娱乐/创作） | 高风险（医疗/司法/金融） |
|---|---|---|
| 主导路径 | 系统 1 | 系统 2 |
| 透明度重心 | 清晰信号为主，降低社会成本 | 信号 + 实质双管齐下，强制可核查、可问责 |
| 助推强度 | 轻提示 | 强减速、强制置信度与人工复核 |
| 受众策略 | 通用清晰标识 + 素养引导 | 面向从业者的深度信息 + 面向公众的摘要 |
7.6 技术—制度协同
- 技术层（C2PA 凭证、SynthID 水印、Model Cards）提供可验证的事实底座，主要支撑系统 2；
- 制度层（备案、审计、标识强制、罚则）确保信号真实可信，主要约束系统 1 线索的真实性；
- 二者结合，才能让"该快的判断快得起来，该慢的核查慢得下来"。
八、讨论：理论贡献、边界与避坑
理论贡献有三：其一，把"透明度—信任"从单维相关推进到双路径因果机制，解释了透明悖论的认知根源；其二，区分情感/认知信任并提出校准信任的行为测量，超越"信任越高越好"；其三，为中、美、欧的标识、备案、模型卡、问责制度提供了统一的心理学解释——它们其实分别作用于两条路径。
研究中需要警惕：
- 系统 1/2 是加工模式而非脑区，实验要用操纵和过程指标印证，不要声称定位大脑结构；
- 自我报告不可靠，必须用行为/反应时/负荷操纵验证路径；
- H2 的倒 U 型需要多个信息复杂度梯度，不能只做"有/无"二分；
- 校准信任不等于"什么都不信"，治理目标是该信则信、该疑则疑；
- 跨文化样本要做测量不变性检验，否则信任分差异可能只是题项理解差异。
九、结语
透明度不是一个开关，而是一套经由人脑两条通道起作用的信息架构。AI 生成标识被系统 1 瞬间捕获，模型卡需要系统 2 费力阅读；前者带来直觉的亲近，后者建立理性的校准；二者错配，就会出现"越透明越不信"或"看了标识就盲信"的双重失败。
把双重加工理论作为透镜，我们得以把治理问题从"披露多少"重新表述为"如何让对的信息在对的时刻走到对的心智通道"：用可信的信号叫醒直觉，用可理解的实质支撑理性，用助推在高风险时刻踩一脚刹车。这样建立起来的，才不是脆弱的"看起来可信"，而是经得起核查的校准信任——这也是生成式 AI 真正嵌入社会所必需的信任基础。
参考文献与资料来源
[1] IBM. Impact of AI on consumer decision-making and the importance of building trust（12 国 20589 人调查，2024）. 综合 IBM 官方报告与 Fortune 报道：https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/ai-consumer-decisions ；https://fortune.com/2025/04/08/ibm-ai-stats-chatgpt-usage-trust-watermarking-claude/
[2] Meltwater × YouGov. AI sentiment across 7 markets（2025）. https://www.meltwater.com/en/blog/global-ai-sentiment-report
[3] Evans J S B T. Dual-processing accounts of reasoning, judgment, and social cognition. Annual Review of Psychology, 2008, 59:255–278. https://doi.org/10.1146/annurev.psych.59.103006.093629
[4] 牛温晴等. 透明即信任？算法透明度研究中的信任悖论. 《新闻与传播评论》（武汉大学）. http://www.xslib.com/a/202411/46639.html
[5] Zink A et al. Trustworthy under conditions? How explainability and fairness perceptions of algorithmic decisions shape trust. BMC Psychology, 2026. https://doi.org/10.1186/s40359-026-05339-y
[6] 国家互联网信息办公室等四部门.《互联网信息服务算法推荐管理规定》（2022）. https://www.beijing.gov.cn/zhengce/gfxwj/202201/t20220114_2594271.html
[7] 国家互联网信息办公室等七部门.《生成式人工智能服务管理暂行办法》（2023）. https://www.gov.cn/gongbao/2023/issue_10606/202308/content_6898046.html
[8] 国家互联网信息办公室等三部门.《互联网信息服务深度合成管理规定》（2023）. https://www.gov.cn/gongbao/2023/issue_10366/202301/content_5734507.html
[9] 中国信息通信研究院.《面向产业的算法治理研究报告》（2026.07）. http://www.caict.ac.cn/kxyj/qwfb/ztbg/202607/t20260714_507078.htm
[11] ISO/IEC 12792:2025. Artificial intelligence — Transparency classification of AI systems. https://www.iso.org/standard/86298.html
[12] European Union. Regulation (EU) 2024/1689 (Artificial Intelligence Act). https://eur-lex.europa.eu/eli/reg/2024/1689/oj
[14] OpenAI. Source records: helping people identify content made with AI. https://help.openai.com/en/articles/10497180-source-records-helping-people-identify-content-made-with-ai ；Google DeepMind SynthID 与 C2PA 报道：https://spacesworks.com/google-deepminds-synthid-watermarking-ai-content/
[20] The White House. Fact Sheet: President Donald J. Trump Advances Artificial Intelligence Innovation to Secure American Leadership（EO 14179 撤销 EO 14110, 2025）. https://www.whitehouse.gov/fact-sheets/2025/01/fact-sheet-president-donald-j-trump-advances-artificial-intelligence-innovation-to-secure-american-leadership/
[21] 大成律师事务所. 2026 年美国 AI 法律制度综述（加州 SB 942、SB 2013；科罗拉多 CAIA；纽约市 Local Law 144 等）. https://www.dentons.cn/zh/insights/client-alerts/2026/01/05/alerts-01052026/
[25] Petty R E, Cacioppo J T. The elaboration likelihood model of persuasion. Advances in Experimental Social Psychology, 1986, 19:123–205.
[26] Lee J D, See K A. Trust in automation: Designing for appropriate reliance. Human Factors, 2004, 46(1):50–80. https://doi.org/10.1518/hfes.46.1.50_30392
[27] Glikson E, Woolley A W. Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 2020, 14(2):627–660. https://doi.org/10.5465/annals.2018.0057
[28] Kahneman D. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011.