一句话定义
价值锁定（Value Lock-in）指的是：在 AI 系统设计、训练或部署的早期做出的价值判断，随着系统长期运行、深度嵌入社会基础设施，逐渐变得难以修改，最终让某一代人的偏好成为后来者的默认设定。
为什么它会"锁住"
打个比方：老房子的承重墙。装修时随手砌的那道墙，当时只是图方便；十年后想打通做开放式厨房，才发现它撑着整栋楼——不是不能改，而是改的代价已经远超当初决定的成本。价值锁定的机制几乎一样，只是墙换成了模型。
它有大致三层。
第一层是数据。模型学到的是某个时期人类文本的统计规律。那个时期的语言习惯、礼貌标准、对职业和性别的默认想象，都会以概率的形式沉进参数里。数据可以重新采，但"重新采一遍人类"是不可能的——你只能采到被上一版模型影响过的人类。
第二层是目标函数与对齐规则。什么算"有用的回答"、什么算"有害内容"，是由具体的人、具体的标注规范定义的。这些定义不会写在界面上，而是变成了模型的直觉。
第三层是基础设施。当医院分诊、银行风控、招聘初筛都接了同一个接口，替换它就不只是换个模型，还牵动合规审计、下游系统、员工习惯和培训成本。此时"技术上能换"和"现实中会换"是两件事。
还有一条正反馈：人会适应系统。搜索建议塑造标题写法，推荐流塑造内容形态，写作助手塑造公文腔调。几轮之后，最初那个偏好已经变成了"大家都这么写"。
和相邻概念的区别
| 概念 | 关心的问题 | 纠偏通道 |
|---|---|---|
| 技术债（Technical Debt） | 工程上欠的账，能否重写 | 通常开着 |
| 路径依赖（Path Dependence） | 早期选择限制了后续选项，描述性、中性 | 视情况 |
| 算法偏见（Algorithmic Bias） | 输出对某群体不公，可测量 | 版本迭代可修正 |
| 价值锁定 | 纠偏的通道本身被关上 | 代际尺度上关闭 |
关键差别在最后一行。偏见是"答案错了"，可以改答案；锁定是"出题人和评分标准都换不回来了"。对齐（AI 词典：Alignment">Alignment）问的是"系统是否按我们想要的方式运行"，价值锁定问的是更麻烦的一句："我们想要什么，还有得选吗？"
对从业者和普通人的意义
对做 AI 的人，有几个可操作的抓手：把"可退出性"当成和准确率并列的设计指标——模块能不能被整体替换，而不是只能微调；保留人类否决权和可追溯的决策日志；把价值评审做成周期性动作，而不是上线前一次性签个字。
对普通人，值得记住一件事：界面上的每一个默认值——默认语气、默认推荐、默认排序——都不是自然规律，是有人选的。默认值被使用得越久，就越像天经地义。