NVIDIA 軟體架構主管：AI 履歷篩選系統偏好同模型生成內容 揭演算法相互辨識偏誤

NVIDIA 首席軟體架構師 Jonathan Ross 在近期一場投資人論壇中提出觀察，指出當前企業普遍採用的 AI 履歷篩選系統，會明顯偏好由相同或同源大型語言模型所生成的求職文件。換句話說，如果求職者使用 ChatGPT 撰寫履歷，而企業端篩選系統也以 OpenAI 模型驅動，這份履歷被通過初步篩選的機率將顯著高於由其他模型或人工撰寫的版本。

此一現象的根源在於 LLM 的語言風格、句法結構、措辭偏好具有相當高的內在一致性。當訓練資料、強化學習人類回饋（RLHF）與安全微調過程相近時，模型對於「優質文本」的判定標準也會趨同。換言之，AI 篩選系統並非真的「辨識同款模型輸出」，而是評分函數隱含了一套與生成端高度重疊的語言審美。這對求職者意味著，使用主流模型撰寫的履歷在通過率上具備天然優勢，反之則可能因「不像 AI 寫的」而被低估。

Ross 提出此一觀察的背景，是企業界對 AI 招募工具的高速採用。從 LinkedIn、Indeed、Workday 等平台到企業內部建置的 ATS（申請人追蹤系統），AI 履歷篩選已成為人資部門縮減成本、加速處理量的核心工具。然而此類系統的決策邏輯往往不公開，求職者難以理解被淘汰的原因，連帶引發學界對「演算法歧視」、「同質性偏誤」的擔憂。

從更廣層面看，這個現象延伸自 AI 領域近兩年熱議的「模型相互辨識」議題。研究人員已多次驗證 LLM 對 LLM 生成內容的辨識率遠高於隨機水準，且不同模型對「文本品質」的評分高度相關。在學術寫作、新聞報導、行銷文案等場景，類似現象也可能造成同源模型生成的內容更容易在自動化評估管線中脫穎而出，間接形成「模型生態鎖定效應」。

業界分析人士指出，此類偏誤的解方需要從三個層面切入：一是建立模型輸出多樣性的偵測機制，避免單一模型主導生成內容；二是要求 AI 篩選系統公開其評分維度，讓求職者與企業均能了解優先項目；三是在敏感應用（如招募、貸款審核、學術評審）中強制人工複核，避免演算法決策成為唯一依據。

對求職者來說，這項發現提供了一個務實提醒：在 AI 篩選普及的時代，使用主流模型協助撰寫履歷已不只是寫作工具的問題，更是策略選擇。對企業端而言，則須意識到所採用的 AI 工具可能正在悄悄重塑人才庫的同質性，長期可能不利於組織創新。Ross 的觀察雖以履歷為起點，但其揭示的演算法相互辨識現象，將是未來 AI 倫理、招募公平性與內容真實性討論中持續被關注的核心議題。