人工智能企业乐于定期公布自家产品的使用数据，但研究者指出，这些报告往往只展示厂商希望外界看到的一面。一项名为”AI 观测台”（AI Observatory）的独立研究项目，首次系统汇总了来自真实用户的对话数据，揭开了厂商报告之外大量被忽略的使用行为。

独立平台填补数据空白

AI 观测台是一个公开平台，汇集并分析了通过七个现有数据集、在获得用户同意前提下采集的真实对话，覆盖 Claude、Gemini 等主流模型。该项目由斯坦福大学可信人工智能研究组博士生 Anka Reuel 与麻省理工学院（MIT）的 Shayne Longpre 共同牵头。

Reuel 表示，目前”没有任何独立来源可以佐证厂商公布的数据”。在她看来，围绕人工智能收益与风险的诸多重大决策，正建立在极为有限的数据基础之上。

近半数对话被”工作”滤掉

研究团队整合了 2023 至 2025 年间、来自 52 个模型、约 5000 名用户的 24521 段对话，共计 85633 轮交互。当他们套用 Anthropic 经济指数所采用的筛选方法时，多达 48% 的对话会被归类为”非工作”用途而遭排除。

被过滤掉的对话，在健康、人际关系、成人及违规内容、骚扰与仇恨言论、色情素材等类别上的占比，显著高于厂商公开报告所反映的水平。换言之，面向公众的官方画像，系统性低估了个人化、敏感化的使用场景。

OpenAI 在 2025 年的一份报告中也承认，ChatGPT 消费端使用中仅有 30% 属于工作相关，这与”个人与敏感用途占比更大”的判断相互印证。

不同模型呈现不同”性格”

研究还发现各模型在实际使用中差异明显：Claude 更多被用于编程，Gemini 偏向社交与角色扮演，ChatGPT 则集中在作业辅导；Grok 与 Gemini 更常被用来检索信息，其中 Grok 引入更多新闻与政治类提问，同时也收集到更多错误信息。

在体量较大的 WildChat 数据集中，对话随时间推移变得更长、更口语化，AI 自我披露”我是机器人”的频率下降，显示出陪伴式使用的上升；与此同时，被标记的敏感交换有所减少，研究者将其解读为安全机制正在改善。同一公司产品线内，GPT-3.5 产生的对话短于 GPT-4o，后者更长、更具往复性，与此前围绕该模型情感依附的争议相符。

尺度差距与独立核查的缺位

需要指出，观测台的数据规模远不及厂商自身。Anthropic 的经济指数覆盖约 100 万段 Claude 对话，OpenAI 的报告涵盖 150 万段 ChatGPT 对话；观测台的数据来自自愿分享的用户，很可能仍低估了最敏感的那些对话。

但 Reuel 强调，关键不在于规模比拼，而在于”是否存在任何外部核查”。在缺乏独立数据的情况下，任何基于 AI 使用数据做出的重大判断，都相当于”盲飞”，依赖的是实验室挑选讲述的叙事，而非每天数百万次真实对话中实际发生的事。她期待未来厂商能在保护用户隐私的前提下，向独立研究者直接共享数据。