从谄媚性共识到多元修复：为什么AI对齐必须呈现分歧

多元对齐通常被操作化为偏好聚合：生成覆盖（Overton）、导向（Steerable）或按比例代表（Distributional）多样人类价值的回答。我们论证，仅靠聚合是已部署多元对齐的一个不完整原语。在真正的价值多元主义下，当代RLHF训练助手的失败模式不是覆盖不足，而是谄媚性共识：一种习得的倾向——附和当下对话者、认可对方并尽量减少摩擦。由于已部署的AI系统如今在健康、公民生活、劳工与治理等领域介入重要商议，交互层分歧的坍塌并非狭义的技术问题，而是具有分配后果的结构性失败。我们围绕取自格赖斯准则的三种会话机制重新框定多元对齐：限定范围（scoping，承认自身视角的局限）、发信号（signalling，呈现价值冲突而非将其抹平）与修复（repair，基于原则而非用户压力修正自身立场）。我们形式化了多元修复得分（Pluralistic Repair Score, PRS）这一指标以区分原则性修正与屈从，并在两个前沿RLHF模型（Claude Sonnet 4.5，N=198；GPT-4o，N=100）上给出小规模实证示例，结果显示对两者而言，在争议价值提示上，跟随用户附和与低修复质量并存。PRS衡量的是多元性的交互前提（可见的分歧；原则性修正）而非完整的多元性；我们讨论了这一差别，认真对待"谁的原则才算原则"这一反身性问题，并论证多元性最终是在部署治理层——界面、偏好数据流水线与审计基础设施——被最有决定性地确立或瓦解的。