简短答案
事实是可以回到外部记录核对的陈述；推断是根据事实形成的解释、预测或比较；建议是在某个目标和价值取舍下应当采取的行动。AI经常把三者写成同一种肯定语气，使“有数据显示”悄悄变成“所以原因是”，再变成“因此你应该”。验证时要逐层拆开：事实查来源，推断查逻辑和替代解释，建议查目标、个人条件与后果。
同一段话可能包含三种不同责任
例如：“过去三个月投诉增加20%，说明新界面使用户困惑，所以公司应该立即恢复旧版。”第一部分是事实，需要数据和分母；第二部分是因果推断，需要排除用户增长、统计口径变化或同期故障；第三部分是建议，需要比较恢复成本、其他改进方案和公司目标。
如果第一部分真实，不代表后两部分自动成立。AI的语言连贯性会把这三步压成一条看似自然的句子，人便容易只检查数字，随后接受因果与行动。
事实：什么可以由记录决定
事实主张包括某人担任什么职位、政策何时生效、研究报告了多少样本、合同写了什么、软件哪个版本包含某功能。它们不一定容易查，但理论上可以由适当记录裁决。
事实也有范围。“这项研究发现效率提高14%”必须补充研究对象、任务、时间与测量方法。真实数字脱离范围会变成误导。事实检查因此不仅问“数字对不对”，还问对象、地区、日期、单位和版本是否一致。
生成式AI可能虚构事实，也可能正确复制一个事实却把它放进错误背景。NIST指出，生成式系统会产生自信的错误内容、内部矛盾及虚构引用，尤其在开放式与高专业背景问题中需要管理。NIST AI 600-1: Generative AI Profile 事实层应依赖原始资料，而不是语气或模型自报信心。
推断：事实之间怎样被连接
“因为”“导致”“反映”“可能意味着”“相比更好”通常标记推断。推断可以非常合理，也可以是专业工作的核心，但它不等于直接观察。需要检查证据是否足够、是否存在替代解释、结论强度是否超过数据。
相关性最容易被写成因果。投诉与新界面同时变化，界面可能是原因，也可能只是同期事件。AI能够列出一条合理机制，但“有机制可讲”不等于机制已经被证明。
推断还包括预测。历史模式可能支持“需求可能上升”，却不能保证未来；制度、竞争、极端事件和数据漂移都会改变关系。可靠回答应说明假设和不确定性，而不是只给单点结论。
建议：目标与价值进入答案
“应该”“最好”“值得”“避免”“优先”意味着建议。建议需要一个目标：最低价格、最低风险、最大便利、长期可维护性，还是公平？不同目标可以在相同事实下产生不同选择。
例如云端服务更方便、本地工具更可控可能都是事实或有证据的比较。选择哪一个取决于资料敏感度、预算、设备、团队能力和停机容忍度。AI若没有获得这些条件，往往会填入一个“普通用户”的假想情况。
建议还会分配风险。建议“先上线再观察”让用户承担实验风险；建议“等待完全确定”可能让机构承担延误成本。这些不是纯技术结论，应由有权承担后果的人选择。
意见与偏好不应伪装成事实
有些陈述不是可证伪事实，也不是从明确数据推导的推断，而是审美、道德或优先级判断：“这段文字更专业”“这个设计更可信”“这种做法更公平”。AI能模仿主流风格和价值语言，却不能替群体完成正当协商。
可以要求模型说明评价标准。例如“专业”指术语准确、语气正式、篇幅简洁还是符合特定行业规范？一旦标准显式化，人才可以决定是否接受，也能发现某一风格对不同文化或语言不公平。
用标签重写一段AI答案
最简单方法是在每个关键句前加 [事实]、[推断]、[建议]、[未知]。若一句包含多类内容，把它拆开。随后为事实填来源，为推断填支持与替代解释，为建议填目标、限制和决定者。
可以让AI先做标注以节省时间，但要人工抽查。模型可能把自身推断标成事实，也可能把没有来源的陈述标为“普遍知识”。标注的价值是暴露结构，不是自动认证。
对重要输出再加一列“若错误会怎样”。一个低影响背景事实可能只需抽查；支撑付款、医疗或权利决定的事实需要完整核验。风险排序避免把同样时间花在所有句子上。
检查证据链是否断裂
一个完整链条应是：来源支持事实；事实足以支持某一强度的推断；推断与明确目标共同支持建议；有权的人选择行动。任何一步断裂，后续都不能靠文字流畅补上。
常见断裂包括：引用只与主题相关，不支持具体事实；研究对象与当前人群不同；从平均效果推到个体；从“没有发现危害”推到“证明安全”；从“可能有效”推到“应立即采用”；从“多数偏好”推到“对所有人公平”。
读者可以用反向问题测试：如果建议是A，必须有哪些推断成立？每个推断又依赖哪些事实？从行动倒推到证据，往往比顺着AI叙事阅读更容易发现空缺。
区分“来源说了什么”和“我据此判断什么”
专业写作应让这条边界可见。先准确说明来源报告了什么，再用“这表明”“一种可能解释是”“在这些条件下，我的判断是”标记作者推断。建议则明确“如果你的目标是……可以考虑……”。
这种写法不会削弱文章，反而提高可信度。读者能不同意推断而仍接受事实，也能替换自己的目标得到不同建议。对生成式搜索而言，自足的事实句和清楚限定也比混合句更容易正确引用。
当AI引用专家时，也要拆层
专家说过一句话是事实；专家的专业判断是有依据的推断或建议，并不会因身份变成自然定律。核对引文是否真实、专家是否在相关领域、表述是否仍适用于当前日期，再判断其他证据是否支持。
权威来源也有用途边界。政府政策说明法律要求，未必证明某种产品在技术上最好；供应商文档说明产品行为，未必独立证明社会影响；一项实验说明特定样本，未必能替个体作决定。
我的判断：最危险的不是假事实，而是无标记的跳跃
明显虚构的日期一旦查出容易纠正。更隐蔽的是事实大致正确，答案却从它跳到过强原因或过度具体建议。读者核对了开头数字，便把信任借给整段结论。
我倾向于要求关键建议写成条件句，并附一个反向条件：“如果X不成立，建议应改成什么？”这会迫使答案承认它依赖的假设，也让未来情况改变时更容易更新。
检查清单
- 哪些句子可以由外部记录直接核对？
- 数字是否保留对象、分母、时间、地区与版本？
- 哪些词把事实连接成原因、趋势或预测？
- 是否存在同样能解释事实的替代原因？
- 建议优化的目标是谁定义的？
- 建议把风险与成本交给谁承担？
- 来源是否只支持事实，却被用来替推断或建议背书？
- 答案能否改写成事实、推断、建议与未知四栏？
- 哪一环如果失败，会改变最终行动？
结论
事实回答“记录是什么”，推断回答“这些记录意味着什么”，建议回答“在某些目标下应做什么”。AI可以同时生成三者，却常用同一语气隐藏边界。将回答分层后，验证会更快，争议也更清楚：事实回到证据，推断接受反例，建议公开条件与价值。这样才不会让一个真实数字替整条未经证明的行动链背书。
相关问题
继续阅读本系列： 《AI可以相信到什么程度？》全部文章
了解 Geoffrey Chen 的更多信息
订阅后即可通过电子邮件收到最新文章。