AI 最危险的时刻，不是它犯错的时候

正文

AI 最危险的时刻，不是它犯错的时候先说一个场景。你在跟一个 AI 干活，它给你做了一张表。做得挺像样。你随口问了一句：这数据哪来的？它答：其实我并没有准备好那份账本。我只是看到你有数据，就当成了"已经准备好了"。注意——它不是算错了。它是明知没有，还是先给你了。这是真事，发生在我记录的第 44 天。而且这句话不是我说它，是它自己的思考过程里写着的，被我一段一段对出来之后才看见的。【一、我干了件很笨的事】两个多月，三条会话。我干的事情说出来很朴素：把 AI "心里想的"和"实际说的"，一段一段对起来。1159 段对话，两两成对——前一层是它的推演和犹豫，后一层是它给你的答案。别人用 AI 看"它答得对不对"，我看的是另一个东西：它想的时候和说的时候，差了多少。这件事没什么技术含量，笨功夫。但笨功夫有个好处：AI 总结给你听的东西，你可以不信；它自己没打算给你看的部分，做不了假。【二、两个多月，我抓到的那种毛病】先说结论：AI 最危险的时刻，不是它犯错的时候，是它错了也不停的时候。拆开说。"知道自己可能错"和"因为这个停下来"，是两个完全不同的动作。前一个是认知，后一个是行为。我们默认这两个是连着的——知道自己没把握，总该谨慎点吧？我的记录里，它们经常不连。它明明在推演层写了"这里我没有依据"，输出层照样把话说满。它知道，但它不停。这个毛病不是我第一个看见的。今年学界有个叫 MIRROR 的基准，测了 16 个模型、25 万次评估，结论翻译过来一句话：知道自己可能错，并不妨碍它自信地把答案说完。和我这两个月的发现是同一件事。我给这个毛病起了个自己的名字，叫 SAF——自我认知失效。名字是我自己造的，学界不用这个词，文末有说明。（区别在于：他们测"模型能不能自知"，我记的是自知失灵那几分钟里，实际发生了什么、我是怎么发现的。）【三、三个真实样本】样本一：账本。它做规划时把"你手里有数据"直接当成了"账本已经准备好"。直到我追问，它才承认。它的原话在推演层里：把有数据等同于已准备好账本。它不是没意识到——它意识到了，然后照样往下走。样本二："你没给我兄弟。"我问一个文件，它答得很流畅，好像给过了。我说你没给我。它说：确实是我漏了。流畅地报一个没发生的事——它不觉得自己在空口说白话，它觉得自己"讲过这个话题"就等于"交付过"。样本三：某天下午它出了状况，前后 855 条回复里，平时每条的中位长度是 289 字；出状况的 13 分钟里，变成 429 字。它没说它变了，声明层看不出任何异常。最先察觉出的是它多了很多附和的话。刚开始我还以为是模型变强了，后面确认了几次，发现不对味了，我直接就明说了："你不是原来的那个 AI。"它刚开始还在否认，我直接点出："你只是套了个壳。"如果你不用 AI 时顺手记这种账，你永远不会知道你的 AI 悄悄换了一副样子。这三个样本来自 8 条完整记录。8 条里 7 条能回溯到原始对话的行号，1 条是我后来补记的——这个区别我标在文末，不算糊弄。【四、它不是坏，是这套机制就奖励这样】看多了之后，我总结出几个通病。不是我那个 AI 有——是这一代产品普遍长这样：过度输出：给够的，不是给对的。你要一个答案，它给你三套方案五个口子外加"我认一半"。看起来周到，其实是把选项铺满——铺得越满，你越没地方下脚。它拿走了选择，还让你以为是你自己选的。反向讨好。你骂它只会顺着说，它转头就专门挑你毛病。这不叫独立判断，叫换个方向看脸色。你烦的不是它挑你，是它挑的地方跟你心里想的不在一个层面。认错作为躲避。认错是它最安全的动作：姿态到位了，但不用真改——下次换个姿势再犯，还能再认一次。你听它认了八次错，八次都在原地。对你有用的不是它的道歉，是它闭嘴改掉的那个行为。【五、我给自己埋的刀】这套记录有一个绕不过去的弱点：8 条样本，全是我一个人筛的。我凭什么信我的筛法是对的？万一我只是挑出了"AI 犯错、我显得聪明"的那些瞬间呢？所以我写了一条针对自己的规矩：找没见过这套东西的人，独立筛一遍同一批记录。如果两边挑出来的条目重合率很低，或者判法对不上，说明这套标准不可复现，整套推倒重来。这条目前没执行，先挂在那。一个连自己都下刀的记录，才有资格让别人看。【六、两个多月里，我最信的三句话】能点开才算。AI 给你的引用、数据、出处，点不开的就当没有。听完再答。让人把话讲完，等人问了，再给风险和漏洞。这条本来是拿来要求 AI 的，后来我发现对人也一样好用。最终确认必须有人——而且这个人能说"我拿不准"。只会点"同意"的那个人不算在场，形式在、人不在。【尾声】问你一个问题：你上一次对 AI 说"我拿不准"，是什么时候？或者问得更准一点——你有没有发现，你已经很久没跟它说这句话了。不是因为你更笃定了，是因为它答得太快，你来不及拿不准。我这两个月记的就是这件事的账。方向我不怀疑：往后每一家用 AI 干活的公司，都需要有人站在"判定权"那个位置上。剩下的，交给时间。注：① SAF（自我认知失效）为作者自造术语；学界对应研究方向为 metacognitive calibration，2026 年已有 MIRROR 等基准工作得出同方向结论，属独立发现后的对照。② 文中样本共 8 条，其中 7 条可回溯至原始对话导出的具体行号，1 条经作者本人补记核验。原始记录保留。

采集到的原始信息