常见论证谬误

小叶准备为一个校园展览制作导览资料，想让 AI 协助起草，再由自己核对内容。讨论中，他听到了几种很有把握的说法：大家都开始用 AI，说明直接采用它的输出一定是最好的选择；只要还需要人来检查，就说明 AI 没有价值；每段说明单独看都通顺，放在一起自然就是一份好导览。

这些话并不都缺少事实。可能确实有很多人在使用 AI，也可能每段说明都很通顺。问题在于，这些事实与接下来的结论之间，是否存在所声称的支持关系。

常见论证谬误，就是一些容易反复出现的推理问题。学习它们，是为了更快找到讨论中的关键缺口，并把工作继续推进。名称可以帮助记忆，但真正需要掌握的，是从“这句话听起来很有道理”走到“它的理由究竟支持了什么”。

本章的展览、对话、模块与检查结果均为虚构教学情景，不是对某个实际 AI 产品的测评。需要姓名的人物统一为小叶，其他人以同学等角色称呼出现。

一、谬误是怎样藏在正常讨论中的

论证谬误不一定表现为一句荒唐的话。它常常借助某种平时确实有用的思考方式，再把这种方式使用到了不恰当的位置。听取专业人士意见很有用，但专业身份不保证所有领域的判断正确；把复杂问题简化有帮助，但简化不能随意删掉会改变决定的选项；过去的经验值得参考，但少量经验不能自动成为无条件规律。

因此，识别谬误需要看具体的理由和结论。有些问题主要出在推理形式，有些则要结合语义、背景和任务目标才能发现。本章着重后者：同样的表达结构，在一个情境中合理，在另一个情境中可能失去依据。谬误教学的基本关切是推理为什么有缺陷，不只是陈述有没有碰巧说对。香港大学：什么是谬误

例如，小叶说：“这个导览方案做得更漂亮，所以它的展品年代也一定更准确。”这里并不是漂亮没有价值，而是视觉效果没有单独证明年代信息。假如结论换成“我们可以从它的配色中借用一个设计思路”，漂亮的视觉样例就可能提供相关理由。

还有一种情况，是对方的结论其实正确，理由却不合适。小叶凭“这份文案有十个来源链接”认定其中日期正确；后来逐条核对，日期确实都正确。后来的核对给了他新依据，但不能倒过来说，最初链接数量本身已经保证日期正确。

判断一段论证，可以先做三个朴素动作：指出它希望你接受什么，找出它实际给出的理由，再说明两者之间差了什么。这三个动作比急着背出谬误名称更重要。即使你记不起术语，只要能说清“这条材料只证明有人在用，还没有证明适合我们的任务”，已经完成了有价值的分析。

同时，谬误标签不是对一个人的总体评价。同一个人可以在一段讨论中给出好理由，也在另一段话里跳得太快。小叶需要修改的是当前推断，而不是由一次错误宣布对方以后所有判断都不值得听。

二、偷换概念：同一个词，前后承担了不同工作

AI 回答经常使用“完成”“理解”“可靠”“自动化”等词。这些词并非不能使用，但如果推理过程中含义发生变化，又没有把变化说明白，就容易产生表面连续、实际断开的论证。

小叶让 AI 写一段展览介绍，要求包括展览主题、参观方式和三个展区的说明。AI 输出了这些部分，于是有同学说：“任务已经完成，完成的任务就可以交付，所以现在可以直接使用。”

这里的第一个“完成”，指要求的几个部分都已经写出来。第二个“完成”，却承担了内容已准确、适合读者、能够交付的含义。生成了所需部分，并不单独说明其中时间、路线和作品信息已经核对。推理借着同一个词，把“已经有稿”移成了“已经可用”。

小叶可以把两个意思拆开，原问题便显现出来：“初稿的几个部分已经齐全；若要作为现场导览交付，还要核对其中的事实和使用说明。”这里不需要禁止说“完成”，只需要知道完成了哪个阶段。

另一个例子是“理解”。同学让 AI 把一段关于向量的介绍换一种说法，它给出了流畅复述。同学接着判断：“它已经理解向量，因此能正确处理我以后所有向量相关问题。”复述能力提供了一个观察，但后面的“理解”包含了迁移、推导、处理不同条件等更宽的要求，尚未得到这次观察支持。

类似的变化也会发生在对人类学习的评价中。小叶能够跟着例子复述步骤，不必然意味着换一个条件仍能独立完成。这不是要在此解决“理解”的全部定义问题，而是防止用一个较容易取得的表现，替代当前结论真正需要的能力证据。

“效率”也常被悄悄换义。假设手工制作一份最终可用说明需要四十分钟，其中已包含检查修改。AI 流程中，准备资料与要求五分钟，生成两分钟，检查十五分钟，修改八分钟，四步在这个教学安排中依次完成。整个过程需要三十分钟。

如果有人把手工四十分钟与 AI 的生成两分钟直接比较，便会得出“完成效率提高到二十倍”的说法。但两分钟只对应 AI 流程的一个阶段，四十分钟对应手工的完整交付过程。计算除法可以完全正确，比较的对象仍然错位。

按本案例同样的完整交付范围比较，节省的是十分钟，耗时减少四分之一。若每份产物的可用标准相同，且时间口径就按这里的连续流程计算，单位时间产出的比值是四十除以三十，约为一点三三，而不是二十。这个案例只核对指定数值，不推广为实际 AI 的效率倍数。

图中两分钟只是 AI 完整流程中的生成部分。两条完整流程都按案例规定依次执行、达到同一交付标准，比较时应当包含各自全部步骤。

偷换概念的共同结构，是一个词在前后含义不同，却被当成同一个中间环节使用。斯坦福哲学百科：论证中的歧义

修正时可以先把关键名词改成更具体的表达：初稿齐全、事实已核对、一次生成耗时、完整交付耗时。词语变具体以后，很多推理缺口不需要争吵就能看见。

三、循环论证：看起来有理由，依据却绕回了原结论

小叶得到一份展品介绍，AI 在结尾写着“内容已经核实”。小叶追问依据，对方回答：“因为准确性审查已经认可了它。”再问审查为什么可信，回答是：“它认可了这份准确的介绍，说明审查的判断可靠。”

小叶原先要弄清的，正是这份介绍是否准确。回答却先把“这份介绍准确”当作理由，来证明审查可靠；又借审查的认可，证明介绍准确。两个判断互相担保，仍没有提供实际核查的依据。

循环论证可以很短：“这个结论可信，因为它是正确的；它正确，因为这是可信的结论。”也可以经过几个步骤：文案得到审查表认可，审查表的判断由一份摘要支持，而那份摘要只是把原文案重新说了一遍。表格、摘要和几个不同标题使论证显得丰富，依据仍可能来自同一个尚未核实的起点。

问题不在于重复使用了词语，而在于接受所给理由，已经需要先接受要证明的结论。这样的论证无法帮助尚未接受结论的人获得独立依据。循环论证属于预先假定待证内容的一种情形。OpenStax《哲学导论》：预先假定结论

图左的几个说法互相支持，却没有引入新的核查依据。图右则把展览资料、具体比对和有限结论连接起来。图中资料仍须确认为本次可使用的依据，不能仅凭它被画在圈外就认定可靠。

小叶可以这样打断循环：选出介绍中的一个具体事实，例如某件展品对应哪个展区，找到经确认的展览资料，检查文案是否与资料一致。若对应一致，就给这项具体信息增加了支持；若发现差异，就修改并保留核查记录。其他事实仍按需要检查，不用让一次局部比对承担整篇全部正确的保证。

需要区分的是，正常工作中存在循环流程并不等于循环论证。写稿、检查、修改、再检查，是工作步骤反复执行。如果检查使用了具体标准和新发现的差异，每一轮都能推进结果。它和“因为我说正确所以正确”的依据循环不同。

同样，两个环节互相反馈也未必有问题。起草环节发现资料不完整，要求补充；检查环节指出文案与资料不一致，要求改写。这里交换的是新的内容和约束。我们检查的应当是依据是否增加、错误是否得到处理，不能看到箭头成环就贴上谬误标签。

从严格形式看，把结论本身当作前提，有时仍可形成有效推导；本章所说的问题在于，它没有为待证内容提供所需要的独立支持。因此，识别循环时应说明“依据绕回了待证判断”，不必错误地声称一切循环都违反演绎有效性。

四、虚假两难：把删掉的选项，当作本来不存在

小叶打算让 AI 起草导览，再安排一次对照资料的核查。同学却提出：“要么全程手工，要么直接使用 AI 输出。只要还需要检查，就不算真正使用 AI，所以我们只能在这两种办法里选。”

这段话把“是否借助 AI 起草”与“是否单独进行核查”混成了一个开关。实际上，它们是两项可以分别安排的工作。使用 AI 起草和保留核查并不互相排斥，小叶提出的组合也没有因对方只列两个选项而消失。

为了把省略的位置看清，可以只围绕这两个维度排列：

这四种只是两个二元选择的组合，不是完整的所有实施方案，也不是四种安排都同样适合本次任务。列出它们的作用，是说明对方的二选一前提没有包含已经可行的组合。

虚假两难的错误，往往不在“排除一个选项后选择另一个”这一步。假如选项确实已经穷尽，排除其中一项当然可以推进判断。问题是未经说明就把有限选项当作全部可能，再借这个限制迫使你接受某个结论。

“要么完全相信 AI，要么永远不要用 AI”也是类似结构。信任可以根据任务、已有表现、可检查程度和交付方式分别安排。小叶可以相信它先整理表达，同时自己确认展览路线；也可以让它处理已有明确依据的内容，对缺资料的问题保留待确认。这些都是可以具体说明的工作方式。

但不能反过来认为，所有二选一都是谬误。例如，当前版本是否在今晚六点前交付，可以按事先确定的时间界线分为按时和未按时；本次是否使用 AI 起草，也可以作出是或否的决定。两个选项是否足够，取决于所判断的问题，而不是取决于数字二听起来太简单。

实际讨论中，还应考虑选项是否在当前条件下可行。如果一个新方案需要已经没有的资源，它不能仅凭被想象出来，就被当成当下真实可选的第三条路。小叶提出“AI 起草后核查”时，应当能说明核查由谁做、需要什么资料。这样，新增选项才从口头上的可能变成能够比较的安排。

修正虚假两难，不是永远拖延决定。它是先恢复被遗漏的相关选项，再根据任务需要作出选择。选择范围清楚以后，行动通常会更明确。

五、诉诸权威与诉诸多数：谁在支持，支持到哪一步

小叶请教一位熟悉展览策划的老师，老师建议导览先交代整体主题，再介绍各展区。这个意见可以成为有价值的参考。老师的相关经验能够帮助小叶注意读者需要什么，以及各部分如何组织。

另一位同学却把它扩展为：“这位老师支持使用 AI，所以任何 AI 生成的展品信息都不用再核对。”前面的专业建议并没有包含这个保证，老师的身份也不能替每一项输出提供事实依据。论证把一个有关组织方式的建议，延伸成了所有具体信息正确的担保。

不恰当诉诸权威，常见问题包括权威与当前问题不相关、所引用的意见并非对方真正说过，或者把专业意见当成无需进一步考虑的最终证明。讨论权威时，首先要看相关能力与主张的对应关系。斯坦福哲学百科：权威与专家意见

如果小叶需要确认展品对应的展区，负责本次展览资料整理的同学可能比一位不熟悉现场安排的著名学者更直接地掌握信息。如果需要判断某个学术解释是否准确，相关学科的专业知识又可能更重要。可靠的信息入口会随问题变化。

这不意味着所有内容都必须由自己从头证明。大学学习和实际工作，本来就要合理使用教材、专业人员和明确的工作记录。小叶可以进一步问：对方是否处理过这个问题，意见依据是什么，适用哪些条件，是否存在需要一并考虑的分歧。这样既能借用别人的知识，也知道自己接受了多大范围的判断。

AI 的表达也可能制造一种权威外观。“根据专业标准”“经全面分析”“这是最佳实践”听起来像提供了依据，但如果没有交代标准内容、适用任务或比较对象，这些词仍然只是声明。小叶可以让它把具体理由展开，不因口吻专业就接受结论。

诉诸多数则把支持者人数当作结论的主要依据。例如：“大家都在采用这个模板，所以它对我们的展览一定最好。”使用人数可能提示它容易获得、容易上手，或者已经有较多分享材料，但还没有说明它适合当前展览的读者、内容和维护方式。

同样，多数并非永远不相关。如果小叶正在选择协作文档格式，团队多数成员已经熟悉某种格式，会影响培训和协作成本。人数这时与“使用是否方便”有具体联系。若结论是“某个历史日期是否正确”，大家是否愿意相信就不能代替史料。关键仍是人数对当前判断有什么作用。

所以，不必从“别人都在用，我也应当用”跳到“别人都在用，我偏不采用”。小叶可以把流行程度当作发现候选方案的线索，再查看它对自己任务的具体帮助。反对从众也不能自动成为方案优劣的证据。

六、稻草人和转移话题：讨论的是不是原来的问题

小叶提出：“展品的年代和位置需要对照资料核查，表达润色可以先让 AI 处理。”同学回应：“你这是完全不相信 AI，认为大学生什么都要靠手工。这样怎么提高效率？”

被反驳的“完全不相信 AI、什么都手工”，并不是小叶提出的方案。它把有范围的核查要求改成了全面拒绝，然后攻击这个更容易攻击的版本。这类失真地替对方安排一个立场，再反驳该立场的做法，常称为稻草人谬误。

即使同学成功证明“全部手工未必高效”，也没有回答为什么展品年代不需要核查。小叶可以把讨论拉回具体分工：目前真正要决定的是哪些信息需要对照来源，核查怎样安排，以及这样的安排是否影响交付时间。

稻草人不一定出于恶意。快速概括、情绪化阅读、对背景的误解，都可能使人把对方说法推得更极端。AI 在总结争论时也可能把“在某些环节使用”概括成“全面采用”，把“这项证据不足”写成“对方完全错误”。实际使用中，先核对被概括的主张，往往比立即展开反击更有效。

简化本身并没有错。长方案可以被压缩为几个关键点，但这些关键点应当保留会改变判断的条件。比如，把小叶的意见概括成“AI 起草，事实核查后交付”，虽然短，仍然保留了原方案的主干。概括是否公平，要看它有没有把对方真正承诺的范围改变掉。

转移话题与稻草人相关，但重点不同。小叶问：“这份导览列出的入口位置与场地图一致吗？”回答却是：“这套排版很美观，而且我们为了它忙了很久。”美观和投入可能都是真的，却没有解决入口位置是否正确的问题。

如果对方另起一个明确议题，例如“位置问题稍后核对，我们现在先决定配色”，那是议程切换。若用美观来证明位置无需核对，或者使大家误以为原问题已经解决，才出现了用无关内容替代回答的缺口。稻草人与转移话题都需要通过具体论证位置识别。香港大学：常见谬误中的稻草人与转移话题

小叶自己也可能犯同样的问题。听到一项让人不舒服的检查意见，马上谈自己的辛苦，比回应具体错误更容易。把讨论重新放回作品、依据和修改动作，可以让既有投入得到更好的结果，而不必把每个批评理解成对自己的否定。

七、人身攻击和“你也一样”：说话者能否替代论据

有同学指出，导览中的一个链接打不开。小叶却回应：“你自己平时连文件都整理不好，还来评价这份导览？”即使同学平时的文件整理确实不理想，也不能由此说明眼前链接能够打开。

人身攻击型谬误的要害，是把对说话者的负面评价当作否定其主张的依据，而这种评价与当前主张没有所需的支持关系。最容易解决当前问题的方式，仍然是检查链接指向哪里、是否可访问、是不是放错了地址。

“你也犯过这个错”是常见变体。同学建议保留来源，小叶说：“你上次报告也没有写来源，所以这次我不用补。”对方过去有没有做好，不决定本次读者是否需要找到信息依据。可以另行讨论双方工作习惯，但不能由对方的不一致消除当前内容问题。

相似的混淆也会发生在对 AI 的态度上。“这句话是 AI 写的，所以必然错误”把来源标签直接变成了内容结论；“这句话是人写的，所以一定可靠”也缺少对应依据。对于可以直接核对的事实，可以沿着材料判断；对于无法立即核对的证言，来源可靠性则会影响信任程度。

这就需要保留一个区别：说话者的情况有时与证据确实相关。若某人声称自己亲自到过现场，是否真的到过就与这份现场报告的可信度有关。若一个判断依赖专门知识，说话者是否拥有相关经验，也会影响我们怎样使用其意见。

但来源有疑点，并不自动等于每句话为假。小叶可以因此寻找更直接的记录，或者降低对尚未核实内容的确信，而不是在未检查时立即宣布相反事实。处理的是证据的来源条件，而不只是对人物表达好恶。

同样，推广某个工具的人可能有商业关系，这可以成为要求查看比较方法和实际证据的理由，却不能单凭商业关系证明工具没有用途。把相关利益放到证据评价中，与用动机猜测代替结果检查，是两种不同的工作。

在协作中，一个很有效的做法是把评价写回具体对象：“这个链接在当前页面打不开”“这个结论超出了引用内容”“这个例子没有覆盖所说的范围”。这样的反馈即使来自经验不多的人，也可以被直接核实并用于修改。

八、合成与分割：部分的性质能不能带到整体

小叶的导览流程包括资料整理和排版两个模块。资料整理模块按照自己的约定输出“作品编号”和“展区”；排版模块按照另一份约定读取“作品ID”和“展区”。两者各自在合适的独立样例上运行，都得到正确结果。

于是有同学判断：“两个模块单独都没问题，接起来也肯定没问题。”但资料模块产出的“作品编号”，并不是排版模块所读取的字段名“作品ID”。在本案例规定的精确字段读取方式下，把前者的输出直接交给后者，会发现它需要的字段不存在。

单独检查时成立的“可用”，依赖各自的输入条件。组合之后，条件发生了连接，接口是否一致成为新的问题。由各部分有某种性质，直接推出整体也有这种性质，称为合成谬误；反方向由整体的性质直接推给每个部分，则称为分割谬误。香港大学：合成与分割

这个例子的修改并不复杂：确定一份共同的字段约定，或者在交接时明确转换名称，再实际检查转换后的资料能否被读取。“这个字段能够对应”只是所演示问题的修复，不自动证明排版效果、全部字段和所有异常都已处理完毕。

类似问题也出现在文章合并中。每段对它原先的读者都解释得清楚，不代表放在一起时没有重复、矛盾或衔接缺口。各段可能反复介绍同一背景，也可能分别采用不同的前提。整体质量包括部分质量，还包括部分之间怎样相互连接。

反方向也需要注意。假设一份由 AI 起草、经过人工核对修改的最终导览内容准确，不能由此推出 AI 每次初稿都准确。最终成果的准确性可能包含后续检查的贡献。整体流程取得的效果，不能不加区分地分配给其中某个环节。

当然，有些性质确实可以在部分与整体之间传递。若四张卡片各有一个明确编号，而且四个编号互不相同，那么组合后包含四个不同编号可以由条件说明。若整体规定每一页都要标页码，并且已经逐页核对通过，就能说明每页都有页码。问题不是永远不能从部分推整体，而是需要知道这种性质为什么能够传递。

在 AI 工作中，尤其应当关注“各自可运行”与“能够合作”、“最终准确”与“每个环节准确”、“每段简短”与“整体简短”的差别。把连接条件和额外贡献补出来，合成与分割的错误就能转成具体的设计检查。

九、以偏概全、选择性举证与错误归因

小叶用五个关于同一展区的问题试过导览回答，结果都可以使用，便判断：“这套方法已经能可靠处理整场展览的所有问题。”这里的经验有价值，但问题范围扩大了。其他展区、材料没有说明的问题、涉及参观安排变化的问题，都没有因此得到验证。

以偏概全的关键，不只是数字小，而是证据的数量、类型和取得方式不足以支撑所作概括。小叶可以把观察写成“这五个问题表现符合预期，接下来检查其他展区和常见问题类型”。它保留成功经验，也把推广需要的资料指出来。归纳章节已经详细讲过如何考虑样本，本章把这种证据与概括错位的结构识别出来。

选择性举证又有一点不同。在另一轮独立尝试中，假设小叶一共尝试十个问题，按同一标准检查后，六个回答可用、四个不可用。他只把六个可用回答放进总结，然后写“本轮全部回答都通过了检查”。问题不只是总结简短，而是省略了会直接改变结论的已知结果。

展示成功案例可以有自己的目的，例如说明一种可行的表达方式。只要明确它们是选出的样例，就不等于声称覆盖全部结果。若要评价这轮尝试的总体表现，就需要保留十个结果的完整范围。六个可用占本轮十个的六成，这个批次比例也不能自动当成所有未来问题的成功概率。

错误归因则把发生在前面的变化，当成后面效果的充分说明。小叶改写了一段图片识别提示，同时把原本倒置的图片转正，之后识别结果改善。如果仅凭时间顺序就断言“改善全是提示词造成的”，便没有处理同时改变的图片条件。

这不证明提示词没有作用。它只是说明这次观察不能单独分离它的作用。可以进一步比较条件，也可以先采用较好的组合，同时把原因判断保留在适当程度。前一章已经用模型讲过替代解释，本章要记住的错误结构是：把“在这之后”直接当成“因此而发生”。

这三种问题都容易让有价值的经验被说得过强。修正并不是抹去经验，而是把完整结果、适用范围和其他变化重新接回论证。

十、诉诸无知与滑坡：把空缺或可能性说成确定结论

小叶查询一件展品的作者，暂时没有找到姓名，AI 回答：“既然没有查到，说明这件作品不存在任何作者记录。”这个结论把一次搜索的空缺扩展成了所有资料中的不存在。搜索入口是否完整、关键词是否对应、相关材料是否公开，都可能影响结果。

另一种方向是：“还没有人证明这段介绍有错，所以它已经准确。”未取得反证也不能直接代替事实核查。诉诸无知的典型问题，是从当前没有相关证据，跳到一个确定的存在或不存在、正确或错误判断。

不过，“没有找到”有时确实能够提供证据。假如任务明确限定为检查当前五份已经完整读取的资料里有没有某个准确编号，而且编号查找方式已确认适合这五份文本，全部检查无匹配可以支持“这个编号未出现在这五份文本中”。它支持到这个搜索范围，而不是所有未搜索资料。OpenStax《哲学导论》：证据空缺与推断

这里要问的是：如果所找内容真的存在，本次方法是否有理由找到它？搜索范围很窄时，缺失通常说明得较少；范围完整、方法能够检测目标时，缺失就可能成为更有力的观察。不能把“没有证据不等于不存在”背成永远禁止根据未发现作判断的口号。

滑坡论证讨论另一种跳跃。有人说：“只要让 AI 列一次提纲，下一步就会把整篇内容交给它；再下一步就完全不读资料；最后所有学习能力都会丧失。因此，一次也不能让 AI 帮忙列提纲。”

这个故事由多段关系串成。列提纲是否必然导致全文代写？使用全文辅助是否必然使人停止阅读？学习能力变化还依赖什么活动？每一步都需要相应依据。只把几个相邻想法连着说，并不会自动形成不可避免的过程。

真实的后续影响当然值得考虑。例如，若一个工作安排明确取消了所有核查环节，确实可能增加未发现错误进入交付的机会。可以分析这个机制，再安排具体的检查。滑坡成为谬误，是因为把没有充分支持的后续步骤说成必然或已经得到足够支持的结果，而不是因为它关心后果。香港大学：滑坡论证的适用条件

小叶可以把原来的笼统担忧改成更具体的问题：准备把哪些学习活动交给 AI，自己还要完成哪些理解、判断和练习？如果某一安排确实减少了重要练习，就调整这一安排。如此，潜在后果进入了实际设计，而不是成为阻止一切尝试的连续猜测。

十一、把一段混杂的说法拆成可以处理的判断

现在把本章内容放到一段完整讨论中。有人向小叶建议：

这个导览模板有很多人推荐，可见它一定最适合我们。AI 已经把要求的部分写完，任务当然就算全部完成。你还想核查日期，说明你根本不相信 AI；既然你不相信，就应该把全部内容改回手工。况且每段文字都通顺，整体质量已经没有问题。

如果只回应“你犯了五种谬误”，讨论未必向前。小叶可以按实际决策顺序处理。

首先，模板流行提供了一个候选来源，还要看它是否适合当前导览。其次，内容部分齐全说明初稿已经形成，交付前仍有具体事实需要核对。再次，核查日期与使用 AI 起草能够并存，把核查说成全面不信任改变了原主张；由此要求全部改回手工，又遗漏了组合方案。最后，单段通顺不能单独确认各段连接、事实和整体用途。

这些修正可以形成一条可执行安排：“先用现有初稿试排，看看展区顺序和参观路线能否清楚呈现，再决定保留还是调整模板。对照展览资料检查日期与位置，再检查段落衔接和读者能否据此参观；发现具体问题后修改。”它没有从原说法有问题推导出模板一定不好，也没有把每一种讨论错误都升级成必须重做整个项目。

需要 AI 帮忙分析时，小叶可以让它指出结论、依据及缺口，并给出保持原任务目标的修订。对于没有足够证据认定为谬误的地方，要求它说明还缺什么信息。这样，分析不需要为了显得全面而强行给每句话贴标签。

在长期协作中，可以逐渐形成一种习惯：遇到很有把握的说法，看看里面有没有换了含义的词、没有证明的连接、被删掉的选项、被放大的经验，或者与问题不相关的支持。发现后把缺口补成具体条件或检查动作，这些知识就会自然进入日常使用。

十二、练习与参考分析

练习一：除法算对，效率结论为何仍然不对

按本章时间案例，手工完整交付需要四十分钟；AI 准备五分钟、生成两分钟、检查十五分钟、修改八分钟，各步骤依次执行。有人据此声称“AI 把完整交付效率提高到二十倍”。请指出比较中的变化，并给出相同口径下的结果。

**参考分析：**四十除以二的确等于二十，但四十分钟是完整交付耗时，两分钟只包含 AI 的生成阶段。计算没有修复比较对象的错位。AI 完整流程是五加二加十五加八，共三十分钟。

相同交付范围下，节省十分钟，相对手工耗时减少百分之二十五。若按这里相同产物标准与每份完整耗时比较单位时间产出，比值是四十除以三十，即三分之四，约一点三三。不能把“耗时减少四分之一”写成“产出率提高四分之一”，因为它们的分母和关系不同。本题数值不代表对现实工具的测量。

练习二：反馈循环是否就是循环论证

情形甲：AI 说文案准确，因为审查给出了通过结论；又说审查可信，因为它认同这份准确文案。情形乙：小叶检查文案，发现展区与资料不一致，补充对应资料让 AI 修改，然后再次对照检查。

两种情况是否都属于循环论证？请说明差别。

**参考分析：**甲中对审查可信的支持已经用到待证的文案准确性，依据绕回起点。如果没有另外的核查过程或资料，就没有给准确性增加所需支持。

乙是工作流程反复执行。一次比对发现了具体差异，补充资料后修改，再检查差异是否消除。虽然工作步骤有往返，判断依据仍来自可核对的资料和结果，不因图中能画出一圈就成为循环论证。核对通过应当对应实际检查的内容范围。

练习三：核查是否意味着不使用 AI

同学说：“你要么直接采用 AI 初稿，要么就自己全部写。你选择核查，说明你已经选择了全部手工。”请说明这里遗漏了什么。若小叶提出的核查需要两小时，而本次只剩半小时，又应该怎样讨论？

**参考分析：**使用 AI 起草与交付前核查可以组合，核查并不推出全部手工。原论证把两个可以分别安排的动作捆成了非此即彼。

不过，指出组合存在，不等于具体方案已经可行。若核查确需两小时而只有半小时，就要重新安排范围、人员、交付内容或时间，比较当下能完成的方案。时间不足可以成为修改该安排的具体理由，却不能倒过来证明“所有核查都等于不用 AI”。逻辑上的选项纠正和实际资源判断需要相互接上。

练习四：相关专业意见与不当诉诸权威

小叶根据负责本次展品资料的同学提供的确认表，核对了三个展区的位置。另一位同学说：“你听了负责人意见，就是诉诸权威，不能接受。”同时，有人主张：“一位著名数学教授喜欢这个排版，所以这份导览中所有历史年代一定正确。”

请分别评价两段说法。

**参考分析：**第一种情况中，资料负责人对本次展区安排有相关的信息来源，确认表又提供了可以比对的内容。合理使用这份资料不因它来自负责人就成为谬误。仍应确认表的版本和适用范围，但不要求小叶把现场资料从头独立创造一次。

第二种情况把对排版的喜好和知名身份用于证明历史年代，缺少相关连接。数学专业身份与这次历史信息的准确性并没有由题目建立联系。可以参考排版意见，也可以另行核查年代，不能让前一项意见承担后一项保证。

练习五：两个独立模块通过，整体为什么仍会出错

资料模块输出“作品编号”和“展区”，排版模块读取“作品ID”和“展区”，各自独立样例都通过。有人说：“单独都通过，所以直接连接不需要检查。”请说明问题，并评价“最终导览准确，所以 AI 初稿从未出过错”的推断。

**参考分析：**单独样例满足各自输入约定，直接连接却把“作品编号”交给读取“作品ID”的环节。在本题按字段名精确读取的条件下，所需字段缺失。需要统一约定或明确映射，并检查交接结果。这个例子展示各部分可用不能自动保证连接后可用。

最终导览的准确性可能包含人工检查和修改的贡献，不能自动分配给所有早期稿件。若要评价 AI 初稿，应查看初稿及相应核查记录；如果确有初稿错误、后续修复，最终准确与初稿有错能够同时成立。这是从整体到部分时需要补足的信息。

练习六：找出关键缺口，并改成能够继续工作的表述

小叶一轮检查十个回答，六个可用、四个不可用。他只展示六个成功样例，并写：“本轮全部通过；你没有指出这六个哪里错，所以方法适合所有展区。若你还想补测，那就是反对 AI，以后迟早会要求什么都手工做。”

请挑出影响结论的主要问题，并写一段简短修订。无需强行为每个短语分配一个唯一标签。

**参考分析：**本轮有四个已知未通过结果，所以“全部通过”与给定记录冲突；仅展示六例不能改变本轮范围。这六例暂未被指出错误，也不足以保证所有展区均适用。要求补测并不等于反对 AI，补测也没有被证明必然导致全部手工。这里同时出现结果选择、推广过度、立场失真和无依据后续推演。

可以改为：“本轮十个回答中六个达到标准、四个未达到。成功样例可用于保留已有做法，失败项需要查清问题；补充其他展区及常见问题的检查后，再决定扩大到哪些范围。继续使用 AI 协助，并按发现的问题调整资料和工作安排。”

这段修订保存了已取得的六个可用结果，也恢复了被省略的失败信息。它给出下一步处理方向，没有由原论证的缺陷推出 AI 方法毫无价值。识别谬误最终服务于这样的工作改进。