简短答案
不要逐字重做整份答案，而要先找出会改变决定的“承重主张”，按后果排序，再为不同类型的主张选择独立核验方法。日期、数字和引用回到原始记录；计算交给确定性工具；摘要对照关键段落；建议检查假设和反例。验证的目标不是证明AI从不出错，而是在有限时间内拦住足以改变结果的错误。
先问：这份答案将被怎样使用
同一段文字作为私人头脑风暴和作为客户建议，需要不同验证。若输出不会离开草稿箱、错误容易撤销，可以快速抽查；若它会影响付款、法律权利、健康、安全或公开声誉，就需要更强的证据、专业复核与记录。
验证成本应与错误后果相称，而不是与AI写了多少字相称。一篇两千字的创意草稿可能只需看方向；一行错误银行账号却必须逐位核对。先确定用途，才能把注意力放在正确地方。
建立“主张清单”，不要从第一句顺序读到最后一句
把答案中可以真假判断的内容标出来：人名、日期、数字、事件、法规、产品功能、引文、因果关系。然后圈出那些一旦错误会改变结论或行动的承重主张。例如比较两个服务时，界面颜色不是承重信息，价格、取消条件、数据保留和关键功能才是。
剩下的内容可以分为辅助背景与表达。验证承重主张，不必重新研究每个形容词。若一个答案有五个决定性事实，检查这五个通常比均匀抽查二十句话更有效。
可以要求AI先制作一张表：主张、类型、来源、支持位置、若错误会影响什么、验证状态。但这张表也是草稿；它帮助组织验证，不能替代验证本身。
按主张类型选择核验器
事实主张回到一手来源：法规原文、政府页面、产品官方文档、原始研究、合同、会议邀请、数据库记录。不要用另一篇重复同一说法的博客当作独立证据。最新信息要核对发布日期、生效日期和版本。
数字主张除了找到来源，还要检查分母、单位、时间范围与定义。增长20%可能是从五增到六；“准确率95%”可能来自不代表真实环境的测试集。自己用计算器或电子表格重算关键派生数字，比让同一个语言模型再算一次更独立。
摘要主张要回到原文中与决定相关的段落，而不是从头阅读全文。检查摘要是否保留例外、否定、门槛、责任主体和时间条件。若摘要说“政策允许”，优先搜索原文中的“must”“may”“except”“unless”或相应中文表达。
建议主张没有单一原文可查，需要检查它所依赖的目标、假设与代价。把建议改写成条件句：“如果目标是X、限制是Y、风险容忍度是Z，那么选择A。”只要条件不成立，建议就不能直接采用。
使用独立路径，而不是重复提问
在新聊天里问同一个模型“你确定吗”，可能得到更长的同类答案；即使换一个模型，两者也可能依赖相似公开材料并犯相关错误。独立核验应改变证据路径：打开原始文档、查询官方登记、运行测试、重新计算，或让具备领域能力的人评估。
“横向阅读”是一种有效习惯：遇到陌生网站，不先沉浸阅读它的自我介绍，而是离开页面，查看其他来源如何描述发布者、作者和主张。斯坦福研究团队在课堂随机研究中发现，教授源自专业事实核查员的横向阅读策略，能显著改善学生判断网络内容可信度的能力。Stanford Civic Online Reasoning: Lateral Reading on the Open Internet
对AI答案可以做同样的事：不要只沿着它给出的叙事前进；另开一条路径，从机构、原始论文、法规库或产品变更记录开始。
采用“二分钟、十分钟、三十分钟”分层验证
二分钟检查适合低风险输出：找出承重主张；点击所有引用；确认页面存在、标题与日期合理；搜索一个最具体的人名、数字或短语；查看答案是否把事实和建议混在一起。若任何链接打不开或标题对不上，立即提高风险等级。
十分钟检查适合将对外发送的普通内容：读引用中直接相关的段落；重算关键数字；对照一个独立权威来源；检查版本与适用地区；提出一个会推翻结论的反例；确认没有敏感资料被意外包含。
三十分钟以上用于后果重大的内容：取得完整原始记录；由具备资格的人复核；测试边界和失败案例；保存证据、系统版本和修改记录；必要时安排第二批准人。时间不是固定标准，而是提醒你先按层升级，不必对每个草稿都启动全面审计。
抽样要有策略
随机抽查可以发现一般错误率，却可能漏掉系统性薄弱点。更好的抽样组合包括：随机样本、最高金额或最高影响样本、最罕见案例、输入最不完整案例、来自不同语言或群体的案例，以及系统自己最不确定的案例。
还应抽查“看起来最专业”的输出，因为流畅性会降低警惕。若发现一项承重事实错误，不要只修那一句；检查同一生成过程是否影响其他项目，并暂时降低整批输出的可信度。
验证转换，而不是只验证终稿
很多AI任务是从A转换到B：文档变摘要、会议录音变纪要、需求变代码、数据变图表。最有效的检查是建立可追踪关系。摘要中的每个重要结论链接到原文位置；纪要中的决定链接到录音时间；代码变更对应测试；图表数值对应源表。
这种映射比“请再检查一下”强，因为它缩短了人回到证据的距离。模型可能仍然给出错误位置，所以应抽样点击验证；但一旦映射结构建立，复核不再需要重新阅读全部材料。
用确定性工具处理确定性问题
语言模型可以解释计算，却不应成为关键算术的唯一验证器。总数、税率、日期差、文件哈希、格式约束、重复记录和代码行为，适合用计算器、表格公式、数据库查询、测试套件或规则验证。让每类工具做它最擅长的工作。
同样，论文是否存在可通过DOI解析、Crossref、出版社或学术数据库确认；网址是否有效可以直接打开；政策是否现行要查看官方版本页。把可以机器确定验证的项目自动化，可以把人的注意力留给语义、例外和价值判断。
验证答案是否回答了正确的问题
事实全对也可能答非所问。AI可能把“最便宜”理解成购买价格而忽略维护，把“澳洲法律”引用成美国规定，把“删除账户”回答成卸载应用。复核开头应把原问题与输出的目标、地区、时间、对象、限制逐项对照。
还要检查缺失输入。若建议需要年龄、预算、合同期限或风险容忍度，而这些信息从未提供，答案只能是条件性草稿。好的输出会指出需要补充什么；过度完整的输出可能掩盖了它自行假设的内容。
保留验证结果，避免每次从头开始
对重复任务建立“已验证来源集”、检查规则和失败案例库。记录哪些官方页面负责哪类事实，哪些字段必须重算，哪些提示容易造成遗漏。当来源或模型更新时，只重新验证受影响部分，而不是重做全部流程。
这也是评估AI是否真正节省时间的关键。如果每次输出都需要从零核查，工具可能没有降低总成本。若工作流让主张可追踪、确定性项目自动检查、已知来源可以复用，人类验证才可能比重新完成更快。
我的判断：验证是寻找失败点，不是表演全面阅读
有效验证带有攻击性：最可能错在哪里？哪个错误会改变决定？什么证据能最快推翻它？这种思路比温和地通读并寻找“感觉不对”更可靠。目标是在资源有限时最大化发现重大错误的概率。
如果一份输出无法拆出承重主张、没有可追踪来源、也没有明确用途，那么问题不只是验证成本高，而是它还不应进入决策。此时最省时间的做法可能是拒绝采用，而不是努力修补。
快速验证清单
- 这份答案的用途与错误后果是什么？
- 哪三到五个主张会真正改变决定？
- 每个主张属于事实、计算、摘要、推断还是建议？
- 是否使用了独立证据路径，而不是只让AI重复回答？
- 引用是否存在、现行并直接支持相关句子？
- 数字的单位、分母、地区和时间范围是否一致？
- 摘要是否保留否定、例外、门槛和责任主体？
- 哪一个反例或边界条件最可能推翻结论？
- 验证结果能否记录并在下一次复用？
结论
验证AI不需要把全部工作重做一遍。先识别用途与承重主张，再用原始来源、确定性工具、反例和专业判断进行风险导向的核验。独立性比重复次数重要，关键位置比平均抽样重要。好的AI工作流不是让人相信得更快，而是让最重要的主张更容易被推翻、确认和追踪。
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。