錯(cuò)用AI的人，實(shí)在太多了！

內(nèi)容來源：2026年3月7日，在深圳舉辦的筆記俠PPE書院西哲坊03期第3講【真理與決策】內(nèi)容筆記。

分享嘉賓：蘇德超，武漢大學(xué)哲學(xué)學(xué)院教授、博士生導(dǎo)師、筆記俠PPE書院創(chuàng)始顧問、西方哲學(xué)模塊全程授課導(dǎo)師。

高級筆記達(dá)人 | 李云

責(zé)編| 賈寧排版| 拾零

第 9511篇深度好文：7682字 | 20 分鐘閱讀

哲學(xué)思維

筆記君說：

AI正在以驚人速度接管我們的工作流程，但它也正在成為決策失誤的放大器。當(dāng)所有人都沉浸在"效率革命"的驚喜中時(shí)，一個(gè)危險(xiǎn)的真相被忽略了：AI不會幫你承擔(dān)責(zé)任，它只會在你犯錯(cuò)時(shí)，讓你錯(cuò)得更快、更徹底。

3月7日，武漢大學(xué)哲學(xué)學(xué)院教授、筆記俠PPE書院創(chuàng)始顧問、西方哲學(xué)模塊全程授課導(dǎo)師蘇德超老師，在筆記俠PPE書院西哲坊03期的課堂上為我們拆解了科學(xué)決策的底層邏輯。

他講透了為什么找不到中間變量的措施，全是無效的壞措施；再深挖了大模型幻覺的核心成因，還拆解用AI做決策最容易踩的3個(gè)致命坑；更點(diǎn)破一個(gè)扎心真相：比AI幻覺更可怕的，是我們?nèi)祟惖闹鲃踊糜X。

文末還有可直接落地的4步核查法，幫你建立一套可追溯、可糾錯(cuò)的決策系統(tǒng)，在不確定的世界里，做出真正穩(wěn)準(zhǔn)可控的判斷，做自己決策的主人。

希望今天的分享，對你有所啟發(fā)。

一、所有靠譜的決策，

都必須找到中間變量

所有的因果關(guān)系，都應(yīng)該找到一個(gè)中間變量，找不到中間變量的措施，都是壞措施。

比如，“通過老師的輔導(dǎo)，我孩子就變好了”這句話，就值得推敲。

很多經(jīng)過老師輔導(dǎo)的孩子并沒有變好。老師的輔導(dǎo)改變了孩子的“什么”，孩子才變好了？重要的不是老師的輔導(dǎo)，而是這個(gè)“什么”。要把這個(gè)“什么”找到，一定要找到中間變量。

找不到的中間變量，是什么？那是愛，那是信仰，愛是沒有中間變量的，它是最直接的。但是我們所有人類可以操作的東西，都是在操作中間變量。

所以做決策，一定要找到中間變量。沒有中間變量的決策，就跟表白似的：“我愛你”，對方問“為什么愛我”，你說不出個(gè)所以然，這對愛有意義。因?yàn)檎鎼劬芙^中間變量。

你要是說“我圖你有錢”，對方大概率不喜歡；你說“我圖你長得漂亮”，對方可能會喜歡，但也只是一陣子。不一定總有錢，也肯定不會一直漂亮。

傳聞中華爾街投資客說：永遠(yuǎn)不要為異性的漂亮買單。為什么？因?yàn)槠撂菀踪H值了，我們要購買的是不貶值、能保值的東西。

眼下黃金為啥越來越貴？就是因?yàn)樗Ｖ怠６利惸兀H值速度特別快，年紀(jì)一上來就擋不住，哪怕靠化妝、整容也沒用，膠原蛋白只會以肉眼可見的速度流失。

這就是中間變量的重要性。決策必須找到它。不要只說“因?yàn)锳，所以B”，一定要在A和B之間找到C。

中間變量找得越多，你出錯(cuò)的可能性就越小。因?yàn)橹虚g變量多了，就給你留了回頭的機(jī)會，它是一個(gè)指標(biāo)，一旦某個(gè)中間變量變了，你就知道“壞了，我可能錯(cuò)了”。

舉個(gè)例子，要是你只盯著A到B，哪怕A還沒到B，你還會傻傻等；但如果是A先到C再到B，而C根本不可能出現(xiàn)，你就不用等了，直接掉頭就行，不用浪費(fèi)時(shí)間。

在經(jīng)濟(jì)和科學(xué)領(lǐng)域，不存在“沒有中間變量”的情況，只有情感和信仰是例外。比如你的孩子愛你，沒有任何中間變量，就是純粹的愛，不為什么。這是人類最寶貴的情感，它恰恰不需要中間變量。也許有吧，我們希望沒有。

但我們做決策、搞管理，必須有中間變量，不然就無從研究、無從把控。管理本身就是過程，要是連中間環(huán)節(jié)都沒有，那根本不會有科學(xué)的決策。

二、AI為什么會一本正經(jīng)地胡說？

說到?jīng)Q策的科學(xué)性，就不得不提AI。

我們需要注意：AI輸出的不是事實(shí)，因?yàn)锳I并不直接接觸世界，它接觸的都是數(shù)據(jù)，而且還是二手?jǐn)?shù)據(jù)。

我們?nèi)祟惾プ稣{(diào)查，拿到的是一手?jǐn)?shù)據(jù)。AI接受的，就是我們調(diào)查結(jié)果的二手?jǐn)?shù)據(jù)，而且這些數(shù)據(jù)還經(jīng)過了所謂的“清洗”。它自認(rèn)為是清洗，你怎么知道不是越洗越臟呢？

當(dāng)然，AI也有厲害的地方，就像做閱讀理解，好學(xué)生和差學(xué)生不一樣：差學(xué)生可能匆匆做完所有題，好學(xué)生卻能精準(zhǔn)提煉核心，從數(shù)據(jù)中提取、壓縮后還能保證正確，這是一種非常高級的能力。

但到目前為止，AI能不能保證，在決策鏈條中必須有可追溯、符合人類認(rèn)知的確鑿證據(jù)（grounding evidence）？如果沒有，它就會把幻覺當(dāng)成情報(bào)。

OpenAI團(tuán)隊(duì)在2025年7月出了一篇文章，標(biāo)題是《why language models hallucinate？》（為什么大語言模型有幻覺），專門講了大語言模型產(chǎn)生幻覺的原因。

文章首先定義了幻覺：就是語言模型會自信地生成“看起來合理，但實(shí)際上不真實(shí)”的事實(shí)。早期的大模型主要基于概率生成內(nèi)容，現(xiàn)在它們的邏輯推理能力已經(jīng)很強(qiáng)了，大模型的水平甚至能達(dá)到國際奧林匹克競賽金獎(jiǎng)的級別。

所以回頭想想，我們應(yīng)該教孩子什么？國際奧林匹克競賽金牌的大模型，過幾天大家可能很快就能用到了，你物理強(qiáng)、化學(xué)強(qiáng)不算什么，現(xiàn)在大家拼的核心是什么？

這篇文章的核心觀點(diǎn)就是：大模型之所以會出現(xiàn)幻覺，是因?yàn)橹髁鞯挠?xùn)練和評估機(jī)制，往往獎(jiǎng)勵(lì)“猜測”，而不是承認(rèn)“不確定”，這種激勵(lì)機(jī)制從根本上推動了幻覺的形成。

這就跟我們高考前，老師跟我們說的一樣：哪怕這道題不會，猜都要猜，萬一猜對了呢？訓(xùn)練早期大模型也是這樣：用戶問答案，哪怕不知道，也得猜一個(gè)，猜對了客戶就會認(rèn)同，猜錯(cuò)了也沒關(guān)系。

所以第一代、第二代大模型，全都是這么干的；但現(xiàn)在的最新版本不一樣了，它會直接說“這個(gè)問題我不確定，不能給你回答”，已經(jīng)能做到這一點(diǎn)了。

還有一個(gè)關(guān)鍵點(diǎn)：我們問AI的時(shí)候，永遠(yuǎn)要加一句“你不要急于做出判斷，要是覺得缺哪些信息，就問我，確保得到足夠信息后再做判斷”，它就真的會主動問你問題。

一定要加這句話，現(xiàn)在AI已經(jīng)能做到了，這都是那篇文章發(fā)表之后的進(jìn)步，因?yàn)榇蠹叶家庾R到了“猜答案”的問題，在此之前，一旦不確定，它就是一味地猜。

不知道答案還去猜，有概率蒙對，但如果直接說不知道，肯定得不了分。與其得不了分，不如猜一猜還有可能得分，這是很簡單的推理。

有三種回答：答對、答錯(cuò)、棄權(quán)。棄權(quán)體現(xiàn)的是謙遜，但早期的大模型訓(xùn)練，并不給“謙遜”賦值，也就是說，謙遜得不到任何獎(jiǎng)勵(lì)。要么答錯(cuò)被懲罰，要么答對被獎(jiǎng)勵(lì)，要是說“不知道”（棄權(quán)），也會被懲罰。既然都是被懲罰，那不如去猜一猜，還有可能蒙對，這就是早期大模型總愛猜答案的原因。

可見，只看準(zhǔn)確率會掩蓋模型的錯(cuò)誤與幻覺問題，這是早期訓(xùn)練方式帶來的缺陷，單純用準(zhǔn)確率打分并不合理，后來則更注重真實(shí)可靠性。

在復(fù)雜的真實(shí)場景中，模型準(zhǔn)確率不可能長期達(dá)到100%，因?yàn)榇嬖谛畔⑷笔А栴}歧義、能力邊界等客觀限制。因此，想靠追求滿分準(zhǔn)確率來消除幻覺并不現(xiàn)實(shí)，幻覺本質(zhì)上無法徹底消除。

這一點(diǎn)已經(jīng)被論證：大模型不可能完全消除幻覺，就像人類也永遠(yuǎn)無法杜絕犯錯(cuò)一樣。承認(rèn)幻覺不可消除，才是科學(xué)的認(rèn)知。

從機(jī)制上看，幻覺和大模型“下一個(gè)詞預(yù)測”的預(yù)訓(xùn)練方式直接相關(guān)。模型學(xué)習(xí)的是語言模式與詞向量分布，而很多低頻、冷門的事實(shí)知識沒有穩(wěn)定規(guī)律，預(yù)測本身就容易出錯(cuò)。

幻覺源于能力邊界與信息缺失，所以無法根除。只有拼寫、括號匹配這類強(qiáng)規(guī)則任務(wù)，會隨模型優(yōu)化越來越準(zhǔn)確；而生日等冷門知識的任務(wù)，仍然容易輸出看似流暢、實(shí)則不可靠的內(nèi)容。

所以結(jié)論很明確：與其只增加少量新測試題，不如重構(gòu)行業(yè)通用的核心評估指標(biāo)，讓整個(gè)行業(yè)從獎(jiǎng)勵(lì)“敢猜”轉(zhuǎn)向獎(jiǎng)勵(lì)“誠實(shí)表達(dá)不確定”。

這篇文章發(fā)表后，大模型的表現(xiàn)確實(shí)改善很多：現(xiàn)在它真的會老實(shí)說“我不知道”，而不是隨便亂編。

放到組織和企業(yè)里也一樣：不知道就說不知道，反而更好。

明確說“我不知道”，大家才會意識到：這里缺信息、缺數(shù)據(jù)、缺推理。如果明明不懂還硬猜，一個(gè)人猜、兩個(gè)人附和，第三個(gè)人也跟著同意，最后全員拍板下注，風(fēng)險(xiǎn)極大。

三、用AI做決策，

最容易踩的3個(gè)致命坑

我們先看組織里對AI的誤用，再看組織幻覺。

第一個(gè)坑：把AI當(dāng)權(quán)威，把流暢自信當(dāng)成正確

首先，是把AI當(dāng)權(quán)威，把表達(dá)流暢、自信、速度快當(dāng)成正確性與可追責(zé)的結(jié)論，就如我們直接用龍蝦（openclaw），雖然它是我們放大的工具。從哲學(xué)本身來看，可能帶來兩個(gè)挑戰(zhàn)。

AI會嚴(yán)格執(zhí)行你給的策略和指令。可一旦你的策略本身就是錯(cuò)的，AI只會更高效、更精準(zhǔn)地把錯(cuò)誤執(zhí)行到底，你還很難及時(shí)發(fā)現(xiàn)，直到釀成災(zāi)難性后果。

AI本質(zhì)上只是在提升執(zhí)行效率，不會主動更新你的底層邏輯。任務(wù)是你派的，團(tuán)隊(duì)是你搭的，老板一開始就錯(cuò)了，AI只會幫你錯(cuò)得更快、更徹底。

這也是AI和人類員工最大的區(qū)別：人有情緒、有判斷，會提醒、會反駁，你能感知到風(fēng)險(xiǎn)。但你把AI訓(xùn)練得越“聽話”，它越?jīng)]有情緒、不會質(zhì)疑。

我們訓(xùn)練AI工作流時(shí)，追求的是流暢、自信、響應(yīng)快、執(zhí)行力強(qiáng)。但前提一旦錯(cuò)了，AI根本不會質(zhì)疑你的出發(fā)點(diǎn)；真要讓它隨便質(zhì)疑前提，效率就會極低。

這也意味著：前提的討論、哲學(xué)與管理的底層邏輯，會變得無比重要。只要底層不錯(cuò)，AI就不會放大錯(cuò)誤；底層一錯(cuò)，AI就是錯(cuò)誤的加速器。一根杠桿并不區(qū)分兩頭的內(nèi)容。

第二個(gè)坑：把AI當(dāng)事實(shí)庫，不做溯源和核查

你搭建的AI工作流，本質(zhì)上還是依賴大模型。而大模型的幻覺問題依然存在，無法徹底消失。

就算讓多個(gè)AI之間相互對話、交叉驗(yàn)證，幻覺也不會消失，甚至可能錯(cuò)誤疊加、越放越大。正確的信息很難指數(shù)級放大，但一個(gè)小錯(cuò)誤，卻很容易被不斷放大，這是極度不對稱的。

古人說，千里之堤潰于蟻穴。不能掩蓋錯(cuò)誤。一個(gè)幻覺可能越放越大，就形成了蝴蝶效應(yīng)。蝴蝶效應(yīng)往往是負(fù)面效應(yīng)擴(kuò)大，正面的很難有擴(kuò)大。

所以，我們養(yǎng)“龍蝦”，用AI，都要注意底層不能出錯(cuò)，否則幻覺可能持續(xù)放大。

不要把AI當(dāng)權(quán)威，也不要把AI當(dāng)事實(shí)庫。AI沒辦法給我們事實(shí)，一定要去追溯它的來源。

當(dāng)然，養(yǎng)“龍蝦”可以部分解決這個(gè)問題，你讓它去查，查了之后讓它把數(shù)據(jù)鏈給你注出來（在哪本書、多少頁，在什么網(wǎng)址上），如果可以的話，還讓它對關(guān)鍵信息進(jìn)行截圖，不截圖都可能出錯(cuò)。

我沒養(yǎng)過“龍蝦”，但我用大模型去網(wǎng)上爬過資料。因?yàn)槲业囊黄恼乱鲆茫枰橄嚓P(guān)資料。文章的主題是“AI來臨之后，我們可怎么辦呢？”背景是很多人都唱衰文科，但我覺得文科會越來越重要。

我引用了很多的觀點(diǎn)，但出差在外，手頭沒有書，我就讓AI去查，要它找到觀點(diǎn)出處。

最初，它幾乎找到了所有出處。但當(dāng)我讓它截圖時(shí)，它就普遍地回答“找不到”了。有些它找到了，有些它找不到。它找到的，未必是對的，它沒有找到的，未必不存在。所以，不要把AI當(dāng)事實(shí)庫。

第三個(gè)坑：把AI當(dāng)背鍋俠，出了事全怪模型

絕對不要把AI當(dāng)成背鍋俠。出了問題就怪模型，把責(zé)任一推了之，這是完全錯(cuò)誤的。從我做AI哲學(xué)研究的核心觀點(diǎn)來看：現(xiàn)階段，AI難以自主承擔(dān)責(zé)任，真正負(fù)責(zé)的只能是人。

所以使用AI時(shí)，必須明確指定責(zé)任人。AI確實(shí)能極大提升效率，但它只提供選項(xiàng)和依據(jù)，最終決策永遠(yuǎn)是人來做，責(zé)任永遠(yuǎn)是你的，可靠性不能只靠愿望。

這個(gè)世界本身并不完美，但我們必須通過人來負(fù)責(zé)、通過機(jī)制來約束，就相對穩(wěn)定一點(diǎn)。

四、怎樣對抗AI幻覺帶來的

三大核心風(fēng)險(xiǎn)？

AI給出的是線索，不是答案；AI給出的是建議，不是決策。因?yàn)樗荒茏圆椋荷墒侥Ｐ偷谋举|(zhì)，就是在給定輸入和訓(xùn)練分布下，生成高概率的文本，這不等于檢索事實(shí)。

所以才會出現(xiàn)三類風(fēng)險(xiǎn)，核心都是幻覺：

第一，編造信息：比如編造數(shù)據(jù)、編造因果鏈，明明沒有的事，它能說得有模有樣；

第二，錯(cuò)配信息：時(shí)間點(diǎn)不對、地區(qū)或行業(yè)不對，把一個(gè)行業(yè)的經(jīng)驗(yàn)套到另一個(gè)行業(yè)，很可能全錯(cuò)，畢竟不同行業(yè)的情況天差地別；

第三，偏差和漂移：訓(xùn)練數(shù)據(jù)本身有偏差，或者現(xiàn)實(shí)情況已經(jīng)變了，但AI還是自信地輸出舊結(jié)論，自然會出錯(cuò)。

更關(guān)鍵的是，AI一旦進(jìn)入組織，風(fēng)險(xiǎn)就不只是“答案錯(cuò)了”那么簡單。錯(cuò)的答案會被規(guī)模化傳播，進(jìn)入郵件、進(jìn)入?yún)R報(bào)、進(jìn)入我們的決策。我們的公司、我們的組織，會變成AI錯(cuò)誤的放大器和杠桿，最后釀成悲劇。

解決這個(gè)問題的路徑，不是一味追求“更大的模型”，而是要做到“來源可追溯”：所有結(jié)論都要建立在事實(shí)基礎(chǔ)上，數(shù)據(jù)血緣必須清晰：這個(gè)數(shù)據(jù)指標(biāo)從哪來、誰能修改，都要明確；人機(jī)責(zé)任要分清，誰為AI的輸出負(fù)責(zé)，必須確定。

你可以用AI，但你要為最終的結(jié)果負(fù)責(zé)任，就像你開車，車可以給你開，但走錯(cuò)路、出事故，責(zé)任永遠(yuǎn)是你的。

有個(gè)4步核查法，可以讓我們避開AI胡說的坑。所有用于決策的AI結(jié)論，必須附上這四點(diǎn)：

信息來源是什么？生效時(shí)間是何時(shí)？統(tǒng)計(jì)口徑是什么？核查人是誰？這些必須標(biāo)注清楚，責(zé)任落實(shí)到人，而不是推給AI。

另外，關(guān)鍵指標(biāo)要建立明確的口徑和負(fù)責(zé)人，還要定期做抽樣審計(jì)。在會議上也要明確：AI可以用來起草文件、匯總信息、提出假設(shè)，但絕對不能作為最終的事實(shí)依據(jù)，至少到目前為止是這樣。

所以，我們面對AI時(shí)，一定要有核查思維，多問四個(gè)問題：

這個(gè)信息來自哪里？生效時(shí)間是什么時(shí)候，什么時(shí)候更新的，現(xiàn)在過時(shí)了嗎？這個(gè)結(jié)論、這個(gè)數(shù)字的口徑是什么，定義是什么？能不能復(fù)查？

比如AI顯示“38%的人對某產(chǎn)品滿意”，那什么叫“滿意”？口徑是誰定的？這很重要，口徑一松一緊，結(jié)果天差地別。以10分值為例，6分以上算滿意，還是8分以上才算？

責(zé)任一定要明確：誰核查過、誰簽字，誰就負(fù)責(zé)；把AI結(jié)論放進(jìn)決策材料的人，一定要簽字。你要用AI，就必須承擔(dān)這個(gè)責(zé)任。

很多人有個(gè)誤解，覺得沒必要做這些核查工作，但其實(shí)不然。

我們可以做一個(gè)AI數(shù)據(jù)溯緣與核查表，明確這些內(nèi)容：數(shù)據(jù)源頭是誰？口徑定義是什么，分子、分母分別是什么，包含什么、不包含什么？誰能修改這個(gè)數(shù)據(jù)？我們怎么驗(yàn)證它、怎么抽樣審計(jì)？AI的引用規(guī)則是什么？在哪些異常情況下，必須暫停使用AI、進(jìn)行人工復(fù)核？

這些規(guī)則一定要清晰，AI我們當(dāng)然要用，但要用得規(guī)范、用得安全。

五、比AI幻覺更可怕的，

是人類的主動幻覺

面對AI，我們要轉(zhuǎn)變思維：把自己當(dāng)成AI的審計(jì)員，它是員工，我們負(fù)責(zé)審計(jì)，這樣就對了。

而且大家會發(fā)現(xiàn)，從AI幻覺到人類幻覺，底層邏輯是一樣的。AI的幻覺，其實(shí)就是我們?nèi)祟愖陨砘糜X的投射。

舉個(gè)例子：你下班回家本來就累，你老公或老婆又告訴你孩子沒考好，你還在家長會上被班主任陰陽怪氣說了一頓。這時(shí)你一推門，看見孩子在桌子旁，身體一彈，還把抽屜推進(jìn)去了。你立馬就火了：“又在玩手機(jī)、打游戲？成績那么差還玩！”

這個(gè)邏輯看起來特別合理，但你有沒有想過，他可能根本沒打游戲？他可能正在拿試卷、拿文具，看到你進(jìn)來太緊張，條件反射地把抽屜推回去了，這完全有可能。

就像親子教育里，我們常說“你就是懶，別找理由”，這就和模型被獎(jiǎng)勵(lì)給出確定答案一樣：我們把自己的主觀動機(jī)，當(dāng)成了客觀事實(shí)，卻缺少“我不確定，我需要證據(jù)”的意識。

這和AI幻覺一模一樣：你把一個(gè)“最容易想到、最符合自己情緒”的答案，當(dāng)成了真實(shí)答案。AI也是如此，它輸出的不是正確答案，而是它最容易找到、最符合訓(xùn)練分布的答案。

我們?nèi)祟愐惨粯樱⒆右淮慰疾睿蛿喽ā八緵]用功”；對方不回消息，就認(rèn)定“他不在乎我”。這都是把單次觀測當(dāng)成了充足的訓(xùn)練數(shù)據(jù)，缺少中間變量的考量。

我們在不確定的場景里，被迫生成一個(gè)答案，而這個(gè)答案還被情緒左右，最后生成了一個(gè)“最像正確答案”的猜測。

就像對方不回消息，你根本不會想“他是不是在開車、在開會、在跟重要的人聊天”，反而會鉆牛角尖：“他不及時(shí)回復(fù)，就是不在乎我”，情緒拉滿，最后吵起來，這和AI瞎猜亂輸出，簡直一模一樣。

在公司協(xié)作時(shí)，我們也經(jīng)常能聽到這些話：“這個(gè)需求已經(jīng)很清楚了，你怎么還做錯(cuò)呢？”“大會、小會說了那么多，怎么還錯(cuò)了呀？”

這也很像AI幻覺，把看見的清楚當(dāng)成已經(jīng)對齊了。那你是不是沒有給具體指標(biāo)？給了指標(biāo)之后是不是沒有提醒他有哪些驗(yàn)算點(diǎn)？驗(yàn)算的時(shí)間對齊了嗎？都沒有。

他（下屬）確實(shí)做錯(cuò)了，但你把你的責(zé)任盡到了嗎？準(zhǔn)確表達(dá)了嗎？在該需要你跟他做過程對齊的時(shí)候，你對齊了嗎？

一些公司的領(lǐng)導(dǎo)經(jīng)常說“這事別解釋，結(jié)果說明一切，你就是不認(rèn)真”，這就是把單一的輸出結(jié)果當(dāng)成真實(shí)的標(biāo)簽。

類似的話還有“像個(gè)好答案，就是個(gè)好答案”“現(xiàn)在提風(fēng)險(xiǎn)就是不想擔(dān)責(zé)，提什么風(fēng)險(xiǎn)”，這樣說連證偽精神都沒有了，肯定會出錯(cuò)。

這時(shí)組織激勵(lì)在起作用，表達(dá)不確定會被懲罰，表達(dá)確定就會被獎(jiǎng)勵(lì)，于是系統(tǒng)就開始偏向于大膽生成，而不是校準(zhǔn)與保守。

所以，永遠(yuǎn)不要對下屬說這樣的話：你們給我承諾，你提風(fēng)險(xiǎn)，你就是不擔(dān)責(zé)任。

這樣你沒法負(fù)責(zé)，就相當(dāng)于你在訓(xùn)練第一代、第二代大模型，每個(gè)答案猜一個(gè)，給不出你就是“懶”，這樣任何時(shí)候它都給你答案，但這個(gè)答案是不確定的。

而你，只是為了完成流程，它猜了答案之后，你趕緊簽個(gè)字，往上一遞交，上面給拍板，就這么干。決策流程都做了，但沒有人負(fù)責(zé)，因?yàn)檎麄€(gè)流程都是對的。

部門溝通時(shí)，有人會說：“按照經(jīng)驗(yàn)，這次一定翻車，別冒險(xiǎn)，按老辦法干”。這也是個(gè)AI幻覺實(shí)驗(yàn)：用過去熟悉的模板替代對當(dāng)前情景的驗(yàn)證。

不能這么講，你要說“這次怎么翻車，把道理講出來”，找到一個(gè)證偽點(diǎn)就夠了。不要說“按經(jīng)驗(yàn)不起作用”這種話。

在算法時(shí)代，清潔的數(shù)據(jù)是唯一的硬通貨。數(shù)據(jù)是干凈的，這是最重要的東西。算力很容易打造，但數(shù)據(jù)很難。

現(xiàn)在大模型訓(xùn)練最缺的是什么？高質(zhì)量數(shù)據(jù)的匱乏。

大家用DeepSeek都有一個(gè)感覺，剛剛出來的時(shí)候非常牛，用上半年之后體感水平下降了，為什么？有人說，這是因?yàn)椋罅康木W(wǎng)友跟它聊天，把它水平搞下來了。這個(gè)未必對，但其中有正確的直覺。

在智人社群，干凈的事實(shí)是最穩(wěn)的出發(fā)點(diǎn)。我們是智人，我們是動物里面最厲害的那群動物，在智人的群落里面，干凈的事實(shí)是最穩(wěn)定的，事實(shí)要是干凈的，沒有被錯(cuò)誤地清洗過的。

把AI當(dāng)人，把人當(dāng)AI，就會極大地降低認(rèn)知負(fù)擔(dān)。

結(jié)語

很多人唱衰文科，覺得AI時(shí)代數(shù)理能力才是核心，但真相并不那么簡單：AI能替代奧林匹克金獎(jiǎng)級別的解題能力，卻替代不了底層的邏輯判斷、因果洞察、證偽思維和責(zé)任擔(dān)當(dāng)。

對抗AI幻覺，本質(zhì)是修煉自己的認(rèn)知能力。我們要做的，不是追求一個(gè)永遠(yuǎn)正確的AI，而是建立一套“承認(rèn)不確定性、敬畏客觀事實(shí)、可追溯、可糾錯(cuò)”的決策系統(tǒng)。

這個(gè)世界永遠(yuǎn)是不確定的，真正靠譜的決策，從來都不是找到一個(gè)全對的答案，而是哪怕身處不確定中，也能守住事實(shí)的底線、承擔(dān)決策的責(zé)任。

我們要永遠(yuǎn)記住：AI給出的是線索，不是答案；是建議，不是決策。沒有可追溯的事實(shí)，就沒有靠譜的決策；沒有中間變量與因果鏈條，全是自欺欺人的賭局。

AI是提升效率的工具，而我們永遠(yuǎn)是決策的主人。

今天我們深嵌于一個(gè)政治、經(jīng)濟(jì)、科技、哲學(xué)都在經(jīng)歷持續(xù)變革和深刻重塑的復(fù)雜社會與商業(yè)系統(tǒng)之中。

真正的挑戰(zhàn)是：我們的認(rèn)知框架、組織形態(tài)和行動工具，還停留在“前AI時(shí)代”。在前所未有的復(fù)雜系統(tǒng)性變革中，我們需要的是理解世界底層的“元能力”。

面向AI新時(shí)代，筆記俠PPE（哲學(xué)、政治學(xué)與經(jīng)濟(jì)學(xué)）課程，正是為理解這樣的復(fù)雜系統(tǒng)而生：理解國際貿(mào)易與經(jīng)濟(jì)政策、理解國際政治與治理模式、理解全球技術(shù)與科技范式、理解AI哲學(xué)和科技經(jīng)濟(jì)、理解文明進(jìn)程與哲學(xué)意義。這是第五代企業(yè)家應(yīng)有的一套“操作系統(tǒng)”。

筆記俠PPE課程26級招生現(xiàn)已啟動。駕馭技術(shù)、洞察世界、扎根中國、修煉心力，在應(yīng)對時(shí)代重重挑戰(zhàn)中尋找決策底牌。

穿越變革的舊世界，找到時(shí)代的新大陸，從升級你的PPE決策底層開始。

歡迎你掃描下方海報(bào)二維碼，添加課程主理人咨詢詳情。

好文閱讀推薦：

“子彈筆記”是筆記俠的矩陣公眾號，聚焦職場效率追求、人際關(guān)系與高潛成長者，幫你3分鐘吃透核心觀點(diǎn)和方法論。歡迎關(guān)注～