夜雨聆风我们容易把 AI 的“幻觉”当作技术顽疾，而我们则手握真理。
实际上，我们在常常在信息不足时强行给陌生人打标签——我们人类的认知也是依靠有限信息，靠“猜”而起步。
AI与人类的思维差异，其实没有我们想象的那么遥远，因为我们共享着语言这个思维工具。遵循同一条 “归纳 - 演绎 - 再归纳”的认知路径，甚至连 “泛化能力越强，幻觉风险越高”的宿命，都别无二致。
AI的问题其实也是人自身的问题：我们究竟如何认识世界？我们怎么进行价值判断？
一、语言：我们与AI共用的那块“思维工具”
我们通常觉得，思想是脑子里的某种神秘的东西，语言只是把思想表达出来的工具。但仔细想想，头脑中乱飞的思绪，其实都是语言在运转。
比如，你琢磨“明天要不要去那家新开的餐厅”，你其实是在脑子里跟自己对话：“听说排队特别久”“朋友说味道很好”“要不早点去排？”——没有这些词语和句子，这个思考根本进行不下去。
没有语言（包括数字、数学公式、程序代码、音符等符号体系），人类的文学、科学与音乐无法传承与发展；没有阿拉伯数字体系，数学的学习与运算将变得异常艰难；没有微积分，我们现代科学体系难以建立。所以，语言是思维的工具。
然而，我们的语言仍是有限的，对于平滑渐变的事物，只能使用断裂的标签去描述，比如光谱上无穷过渡的色彩，我们只能叫它“红”或“橙”。
内心难以名状的情绪，我们只能用“悲伤”或“忧郁”去逼近。
又如自由与奴役、平静与喧嚣——这些词之间其实有一整片连续的区域，但语言只给了我们两个端点。
我们切割它，逼近它，却永远无法完整地贴合它——所以，我们会有许多“难以用语言表达”的时刻。
这在人文社科领域衍生出一个认知陷阱，许多所谓“质变”，并非源于事物本身越过了客观临界点，只是它进入的区域，被我们的语言打上了不同的标签。
我们用“质变”这个词，掩盖了语言本身的断裂性。
因此，语言——思维工具的精细化程度与使用便利性，决定了思维的上限。
今天的AI大语言模型，正是与人类共享了“语言”这个工具。利用这个工具吸收了人类自古以来用各种语言记录的知识，建立起强大的思维与智能。这是我们接下来要讨论问题的起点。
二、我们都靠“猜”，然后不断被打脸
人类与AI的认知工具相同，其思维方式也相差无几。
都说AI有“幻觉”——会一本正经地胡说八道。你可以分辨AI幻觉，那是因为你有专业判断力。
要小心那些你觉得AI说得很有道理的地方——可能不是它没幻觉，只是判断力不足。
其实，人类的认知“幻觉”比AI还严重。当你和朋友们在聚会上的高谈阔论，用言之凿凿的口吻说出来的某些事情，往往比AI的幻觉还严重。
而更隐蔽的“幻觉”，可能伴随着我们的整个认知活动，这来自于对事物的“猜测”。例如，你连续两次遇到来自某个地方的人，碰巧他俩都脾气不好，你的大脑自动生成了一条规律：“那个地方的人都不太好相处。”——这叫归纳。下次你再遇到那个地方的人，你会带着这条规律去判断他——这叫演绎。直到后来，你认识了更多来自那里的人，发现他们热情又善良，你开始推翻原来的结论，重新归纳，重新演绎。
这个“归纳—演绎—发现不对—再归纳—再演绎”的循环，就是我们认知的基本运转方式。我们都在有限的信息下要做出判断，这不是什么认知缺陷，而是我们认知提升、构建知识体系的必经之路。因为，如果我们不能在有限的信息下做出判断，建立初步的认知体系，人类就永远不会有启动知识积累的第一块踏脚石。
三、归纳得越猛，幻觉就越大
所谓泛化，就是归纳——是从有限的几个例子里提炼出普遍规律，然后大胆地应用到从未见过的新情况上。讲到这里，我们能够看到一个认知规律：泛化能力和幻觉，本质上是同源的。
因为泛化的过程，本质上是用少数去推测全部。
说得直白点，这是一个“以偏概全”的冒险。你见过几十只天鹅，总结说：“天鹅都是白的！”你获得了可复用的规律，却也背负了犯错的可能 —— 那只尚未出现的黑天鹅，随时会推翻这条规律。所以，只要你在归纳，你就在承担幻觉的风险。
而且，泛化能力越强，幻觉风险越高。 因为在同样的归纳方法下，泛化能力越强，意味着他所需要的信息越少，本质上是用 “更小的样本推更普适的规律”，那么犯错的风险自然随之抬升。
这就像一把刀，越能游刃有余地切割食材，也越容易在疏忽间划破手指，这不是刀的缺陷，这是“锋利”本身的两面性。
所以，不论是人类还是AI，有幻觉都不是谁犯了错，这是认知活动自带的影子。
在这种认知结构下，追求一个“永不犯错”的完美系统，既不现实，也不合理。而是把目标调整为：如何在犯错时，能更快地发现、并修正——像科学方法论那样，敢假设，敢检验，也敢在证据面前推翻自己。
四、说“我不知道”，是一种更高级的智能
人通常有所谓“认知闭合”的需求，即人无法忍受自己对事物的无知，在信息不够的情况下，我们也会强行得出一个简单粗暴的结论，只为追求判断上的一种“了结感”。
就像新同事还没开口，你已经从他的面相和穿衣风格把他贴了一个“难相处”的标签。后果就是对他的刻板印象，而刻板印象一旦形成就难以改变。
而且，这些刻板印象将成为后续认知活动中错误的推理前提，以致我们在错误的道路上越走越远。
此后你可能把他的内敛都解读为冷漠，把他的谨慎当作敌意——每一个新动作，都只是反复印证你最初贴的那个标签。
有意思的是，多数AI也会在证据不足的情况下给出一个“尽量合理”的答案，并且会尝试为初始观点辩护。这可能是AI在吃进大量人类的知识的同时，吃进了大量的刻板印象与回应方式。也可能是AI系统没有设置自己的能力边界，自己创造出来的刻板印象。
但AI有一个人类难以具备的优势：它不需要维护自尊，也无需让自己眼中的世界是可理解、可掌握的。从技术上，AI完全可以没有负担地承认“这个领域我不知道”，可以拒绝越过自己的能力边界去强行缝合一个答案。
如此，它可以避开那条人类最常走的弯路——为了一时的了结感，把自己的认知早早引入歧途。有了这份留白的勇气，AI可以更加客观地、使用更坚实的基础去归纳与演绎，从而更有效地抑制幻觉。简而言之：AI比人类更容易闭嘴，而这恰恰是一种认知优势。
五、人类现在还赢一手：摄入与处理时需要过逻辑关
人类在摄入知识时，会自动启动筛选机制，这同样是一枚硬币的两面。
一面是我们倾向于过滤掉不符合已有信念的信息，导致难以接受新的知识；
另一面是，输入的知识会先经过自己逻辑体系的验证，通过后予以吸收，为自己的认知体系添砖加瓦。
第二面的判断力，正是人类认知发展的核心因素。虽然，多数时候我们自以为用的是第二面，实际上用的是第一面。
但AI不一样。在训练阶段，它没有自己的认知体系与逻辑审查机制，它摄入知识的方式是——先吃饱再说。无论信息来源是否可靠，逻辑是否自洽，先作为“养分”吞进来，再从中汲取统计规律。
这就决定了AI解决问题的一种底层限制：它本质上是在匹配知识库中的规律与共识，而非基于逻辑体系的推演。
如果知识库本身充斥着偏见、谬误、冲突，AI就只能忠实地复现，难以主动去解决这些冲突。
要降低幻觉，往往只能靠外挂更权威、更干净的专业知识库。但问题依旧：它只是在切换“谁的声音更大”，难以真正实现“谁的逻辑更对”。所以，AI存在沦为流行意见的复读机的风险，而非逼近真理的工具，这也正是“AI投毒”的土壤所在。
想要突破这个天花板，AI需要两样东西：一套逻辑审查机制，一套自我修正机制。这正是接下来两章要讨论的。
六、逻辑审查的两套标准：自然科学的“硬”与人文社科的“软”
人类审查信息的方式，因领域而异。
在自然科学领域，方法论已经相当成熟。一套结论要成立，得先经受一系列追问：研究设计是否严谨？数据是否真实完整？证据链是否闭合？结果能否复现？核心命题是否可证伪？缺了任何一环，它就只是“假说”，而不是“定论”。
然而，由于“认知闭合”需求的存在——具体表现为教育的简化、媒体的放大以及对初始认知的维护——许多假说在公众传播中被悄悄披上了真理的外衣。普通人知识库有限，对专业领域的判断力天然不足，往往只能吞下被过度简化的结论。
AI可以突破这种限制，但前提是它不能只是“拿来主义”地把知识库中的高票答案当作正确答案，而是要真正运用这套科学验证流程去审视信息。
在人文社会科学领域，情况则更复杂。
听到一个匪夷所思的事件，你在嘀咕“奇葩”之后，会觉得“事出反常必有妖”：故事描述是否偏颇？背后有没有隐藏的其他原因？
当事人的行事原则中，安全、信念、自尊、利益在其中各占多大比重？这些追问，其实就是我们在日常生活中使用的那套不成文的逻辑审查规则。
如果说自然科学像一棵苹果树，不断向上生长，其成果分布在脉络清晰的枝条上；那么人文社会科学的成果，则像是熟透落地后四散的苹果，边界模糊、彼此交融，这些成果从未被像自然科学方法论那样系统地总结过，缺少一个整合一体的框架。
人类的困境同样也是AI的困境：这种说法很对，那种说法也很有道理——学会了很多的道理，却依然过不好这一生。
所以，人文社科领域需要有人做一次“扫地僧”式的工作：把散落一地的拼图碎片，整合成一套可以被AI调用的底层推理规则。
这套体系不必完美，但它应当存在，否则AI在面对社会议题时，就只能根据“哪种观点更主流”来作出选择，而无法追问“谁的逻辑更符合现实可能性”。
七、发现错了怎么办？把修正机制装进AI的基因
前面我们提到，人类认知发展是通过“归纳—演绎—发现不对—再归纳—再演绎”的循环开展的。在自然科学领域，在AI系统中复制这个过程的路径也是相对简明的：对现有发现的规律，按其研究方法，获取相关数据进行推导，如能得出相同结论即可验证规律的科学性。当得到新的数据时，同样跑一遍原有的验证程序即可验证。如验证不通过，则需要根据科学研究方法重新归纳，如得到新的规律，能重新演绎通过适用性验证，则自动完成了一次认知升级。
人文社科领域的议题却不一样，它无法通过公式来自我验证，因为其偶然性太大。
“风起于青萍之末”，这用于自然界会显得夸张，但用于人际社会，却是再贴切不过——重要场合的一句话，可能决定老板对你的印象；关键时候的一念之差，可能会改变人生的走向。
不过，理想的AI应具有分辨烟雾弹与软文的能力，能够分辨信念主导还是事实主导。
由于事物发展都一定具有其规律性与合理性，比如某人如果能放弃自身利益，一定有某种更强的信念；又比如一个产品的成功，一定有可以支撑其成功的底层逻辑。所以，对于理想的AI，讲证据、讲规则、讲逻辑将是必要的，当然，修正机制也必不可少。
好在，人文社科领域的规则在人类历史的数千年间变化很慢，而科学领域的研究方法论也已相当成熟。而底层规则的稳定性，恰恰是我们可以慢慢来的底气——人类可与AI逐步来共同调整完善。
八、我们到底在讨论什么：AI的问题，也是我们的问题
讲了这么多，我们讨论了：
1、我们与AI共用了一个认知工具--语言，它成就了思维，其有限性，也划定了思维的边界。
2、我们都靠“猜”建立初始认知，再用“归纳—演绎—修正”的循环逼近真相。这不是缺陷，而是智能启动的必经之路。
3、只要要你在归纳，幻觉就必然相随。归纳能力越强，风险越高——这不是犯错，而是认知活动自带的结构。
4、承认“我不知道”，可以有效抑制幻觉。人类因认知闭合本能而难以做到，AI却没有这个负担——这恰是它的优势。
5、人类在摄入与处理知识时有逻辑筛选机制，这是我们目前仍占上风的地方。但如果AI内建了逻辑审查与自我修正体系，它有潜力做得更好。
6、我们提出了两套配套体系：一套追问“谁的理由更合理”，一套将“归纳—演绎—修正”的循环嵌入AI的运转逻辑，让它能自主地从错误中迭代。
所以，AI的问题，最终是一个哲学问题：我们究竟如何认识世界？能在何等程度上认识世界？我们是什么样的人？我们怎么进行价值判断？我们的社会如何运转？
AI需要答案，我们也需要。
我们难以解决的问题，AI可以做得更好——它无需维护自尊，也可以无需维护自己的立场与利益。
AI接纳新的科学真理，也无需等待“上一代科学家逐步去世”。
