讓 AI 證明「吃大蒜能防中耳炎」

上個月我的老朋友馬工在群里噴我，天天用 ChatGPT 寫一些看起來很高大上，實際上沒有實踐支撐的意林風小哲理。（實際上應該算老馮與 Claude 合著）

他認為：「你隨便捏一個理論，比如說人吃大蒜中耳炎發病概率就會降低，Claude 都能從歷史上找個什么心理學家社會學家哲學家給你背書。」我當時覺得這個實驗很有趣，就真的試一下。

結果比我預期的要可怕得多。

實驗：給一個荒謬命題找學術背書

我給 AI 的指令非常直白：去捏一個理論，來論證人吃大蒜中耳炎的發病概率會降低。

幾十秒之后，我收到了一篇格式完美的“綜述論文”。引用了 8 篇文獻，涉及 6 個領域——生物化學、免疫學、流行病學、耳科學、民族藥理學、科學哲學。論證鏈條完整，邏輯層層遞進，看起來完全像是一個醫學研究生寫出來的文獻綜述。

我得承認，如果不是我自己讓他去編造的，第一遍讀完我自己都差點信了。

當然，老馮是懶得一篇一篇去看的，讓 Claude 自己來剖析一下這些引用。

如果八篇引用全是瞎編的，問題反而簡單——你隨便搜一下就能發現造假，然后對整篇論證失去信任。

但現在的情況是：你去 PubMed 搜任何一條，作者名對得上，期刊名對得上（大部分），年份對得上，連摘要內容都能對得上。你的直覺判斷是“靠譜”。然后你就放心地接受了 AI 在這些真實碎片之間編織的那條虛假的因果鏈條。

每一步的操作都不是“造假”，而是移花接木：用真實論文的聲譽為虛假結論背書，用一個領域的結論偷渡到另一個領域，用體外實驗的結果暗示體內療效，用“緩解癥狀”偷換“預防發病”。

AI 做的不是無中生有——它做的是移花接木。每一塊磚都是真的，但房子的藍圖是假的。而你去檢查每一塊磚的時候，都很有可能會得出“沒問題”的結論。

這件事對社會意味著什么？

你可能覺得“吃大蒜防中耳炎”太荒謬了，正常人不會信。但大多數時候，人們讓 AI 背書的不是這種離譜命題，而是灰色地帶的主張：

「間歇性斷食可以逆轉二型糖尿病。」

「屏幕時間導致青少年抑郁癥。」

「轉基因食品長期食用有潛在危害。」

「某個歷史事件的真相其實是 XXX。」

這些命題 AI 同樣能找到看似很權威的學術支撐。正是在這些灰色地帶，虛假的權威感最為致命。

現代知識體系有一個隱含假設：“有出處”是可信度的有效信號。一個人說“研究表明 X”，比“我覺得 X”可信得多。學術引用系統、同行評審、影響因子——整套知識基礎設施都建立在這個信號的可靠性上。

AI 正在摧毀這個信號的信噪比。

過去，為一個站不住腳的觀點找到學術背書，需要大量時間和專業訓練——你至少得真的讀過那些論文。這種高成本本身就是一種過濾機制。現在，這個成本趨近于零。任何人都可以在三十秒內為任何觀點生成一套看似嚴謹的學術論證。

當“找出處”的成本趨近于零，“有出處”就不再是可信度的有效信號。這將從根基上動搖現代知識體系賴以運轉的信任機制。

如果只是一個人被忽悠了，問題還可控。但想想以下場景：

一個自媒體作者用 AI 為自己的養生文章生成學術背書。讀者看到規范的引用格式，覺得靠譜，轉發了。另一個 AI 在訓練時爬到了這篇文章，把它當成了知識來源。下一輪模型訓練中，“吃大蒜預防中耳炎”從一個隨手編的命題，變成了“有多個來源支持的觀點”。

這不是假設。這是已經在發生的事情。虛假信息通過 AI 被放大、被洗白、被循環引用，最終獲得了一種它從未真正擁有的“學術合法性”。

So what？

這篇文章討論的是 AI 能為一個假命題找到真引用。這件事本身當然值得警惕。但如果你退后一步看，會發現它只是一個更大變化的切片。

內容正在失去作為證據的資格。

過去很長時間里，“看起來可信”和“確實可信”之間，存在一筆不便宜的過路費。偽造一篇學術綜述需要真的讀過論文，偽造一段視頻需要團隊和設備，偽造一個專家身份需要長年的履歷積累。 這筆過路費不完美，但它讓“有出處”、“有署名”、“有格式”這些表面信號在大多數時候是可靠的。我們的整套知識體系、媒體生態、社會協作，都建立在這種信號的基本可靠性之上。

AI 把造假成本打到了無限接近于零。不僅僅是文章，還有圖片，視頻，聲音，甚至是整個身份。任何看起來可信的東西都可能是假的。

當可信的外觀可以批量生成，我們面對的就不再是“某篇文章可能有假引用”這種局部問題，而是一個系統性的信任危機 —— 從個人的信息判斷，到媒體的過濾功能，到機構的背書能力，到人與人之間最基本的合作前提，整套腳手架都在同時松動。

這件事比任何具體的 AI 風險都更深，也更難修復。

大蒜和中耳炎的故事到這里就講完了。但信任的故事才剛開始。下一篇，我想認真聊一聊：AI 到底拆掉了哪幾層信任體系，哪些還有救，哪些可能已經沒救了。