爱看机器人“看起来很确定”的句子：先把评价词有没有冒充事实摊开，再把例子和证据分开列

当然，这标题很有意思！“爱看机器人‘看起来很确定’的句子：先把评价词有没有冒充事实摊开，再把例子和证据分开列”——这简直是一个关于如何“看穿”信息、特别是关于机器人（AI）的信息的绝佳切入点。在信息爆炸的时代，辨别真伪、理解本质的能力至关重要，而你提出的这个角度，非常有深度和实践价值。

这篇文章，我打算从以下几个方面来展开，力求既有理论的高度，又有实践的可操作性，让读者读完后能真正有所收获：

拆解“确定性”的迷雾：如何理性看待AI的“自信”表达

我们生活在一个被信息洪流裹挟的时代，尤其是在人工智能（AI）飞速发展的今天，各种关于AI的解读、预测、甚至“预言”层出不穷。其中，很多关于AI的描述，常常带着一种不容置疑的“确定性”。但作为接收者，我们真的需要像某些句子那样，全盘接受这种“看起来很确定”的表述吗？

今天，我们就来聊聊，如何拆解那些“看起来很确定”的句子，特别是当它们涉及到AI时。核心原则很简单，但操作起来需要一些技巧：先把评价词有没有“冒充事实”摊开，再把例子和证据分开列。

第一步：剥开“评价词”的外衣，看它是否在“冒充事实”

很多时候，那些让我们觉得“确定”的句子，背后藏着大量的“评价词”。这些词语，比如“必然”、“绝对”、“毫无疑问”、“众所周知”、“已经证明”等等，本身带有很强的倾向性和主观判断。它们并不直接陈述一个客观事实，而是对事实进行了一种加工和解读，并且试图将这种解读包装成事实本身。

当AI的讨论中出现这类词语时，我们需要警惕：

• “AI已经彻底解决了XX问题”：这里的“彻底解决”就是一个典型的评价词。它很可能忽略了问题中尚未解决的细微之处，或者是在特定条件下才成立的“解决”。
• “XXAI模型是目前最好的”：这个“最好”是基于什么标准？是速度、准确率、能耗、还是某个特定任务的性能？没有明确的衡量标准，这个评价就缺乏依据。
• “机器人未来一定会统治人类”：这是一种基于恐惧或想象的预测，用“一定”来打包票，完全忽略了科学发展的不确定性、人类社会的复杂演变以及技术伦理的制约。

如何摊开？

1. 识别评价词： 仔细阅读句子，找出那些带有主观判断、修饰或概括性的词语。
2. 追问评价的依据： 问自己：“这个评价是怎么来的？是基于哪些数据或观察？有没有其他可能的评价方式？”
3. 区分评价与事实： 明确指出哪些是作者的观点、推测或解读（评价词），哪些是客观存在的现象或数据（事实）。

第二步：证据与例子，是独立的观察者

一旦我们剥离了那些“看起来很确定”的评价外衣，剩下的就是构成这些评价的基础——例子和证据。这时候，我们需要做的就是将它们独立出来，用一把尺子去衡量它们的真实性和代表性。

• 例子（Anecdotes）： 指的是具体的、生动的故事或场景。它们能够帮助我们理解某个概念或现象，但由于其个别性，往往不具备普遍代表性。
• 证据（Evidence）： 指的是可验证的数据、实验结果、统计报告、专业研究等。证据比例子更具说服力，因为它通常经过系统性的收集和分析，试图揭示普遍规律。

如何分开列？

1. 找到论据： 在一个“确定性”的陈述背后，通常会伴随有一些支持性的论述，这些论述可能包含例子或证据。
2. 分类处理：

   • 如果是例子： 问自己“这个例子是不是普遍现象的缩影？有没有反例？这个例子是否经过了某种选择性呈现？” 例如，一个关于AI在某次比赛中失误的例子，并不意味着AI在所有此类比赛中都会失误。
   • 如果是证据： 问自己“这个证据的来源可靠吗？数据收集的方式是否科学？是否存在样本偏差？证据是否支持结论的全部，还是只是一部分？” 例如，一篇关于AI提高工作效率的报告，需要看它是基于小范围实验，还是大规模的真实应用。

3. 评估独立价值： 评价这些例子和证据本身是否站得住脚，以及它们各自能证明多少。

为什么这样做很重要？

这样做，能帮助我们：

• 避免被误导： 很多时候，为了制造“确定性”的假象，信息提供者会混淆评价和事实，用个别例子来“证明”普遍结论。
• 培养批判性思维： 这种分析方式，本身就是一种主动的、有深度的思考过程，让我们不轻易被表面的“自信”所迷惑。
• 更精准地理解AI： AI的发展充满了可能性和不确定性。以一种审慎、务实的态度去理解它，才能更好地迎接它的到来，而不是被恐慌或盲目乐观所裹挟。

下次当你看到关于AI的“确定性”论断时，不妨试试这个方法：先问问那些“评价词”，它们是否在“冒充事实”？然后，再把那些例子和证据，一个一个地拿出来，仔细地审视一番。你会发现，很多“看起来很确定”的句子，在剥离了主观色彩和筛选的证据后，可能就没那么“确定”了。而这，恰恰是我们理解真实世界，特别是理解正在快速发展的AI的关键一步。