随着 DeepSeek 问世，从春节至今，和AI有关的资讯与讨论已经让人有些疲劳。然而，相关讨论大都聚焦在产业、投资和技术方面，其中不乏优质信息，但仍缺少一个重要的视角——作为普通用户，我们如何看待并使用AI。
大多数人并不处在技术的前沿，但相比于 2023 年 ChatGPT 刚诞生时， AI 对个人生活的影响已经来到新的阶段，DeepSeek的易用性和广泛接入程度，让每个人都可以成为AI使用者。
狭义的使用，包括Prompting（输入提示词），与AI闲聊，将AI融入工作流；广义的使用则跟我们对语言和信息的辨别力有关。这期播客，我们将和两位AI的深度用户，从各自的生活与工作场景出发，聊一聊使用心得，横比目前国内外流行的大语言模型，说说评价AI好用的依据和标准。
DeepSeek一度被称为“更懂中文”的AI，为什么有很多人觉得 DeepSeek 的中文特别“好”？当我们在说 AI 语言“好”的时候，又到底在说什么？
在一个本就信息爆炸的时代，AI既降低了信息获取的门槛，又在稀释信息的同时拉高了辨别信息的门槛。例如，DeepSeek 刚火的时候，网传冯骥（黑神话悟空的创始人）发布了“国运论”，而DeepSeek梁文峰还对此回应，一度在朋友圈盛传，后来被证实这些言论都是由DeepSeek生成的。
类似的例子还有很多。在AI时代，我们该如何提升对于信息的辨别力？AI技术和事实核查（Fact Check）又能进行怎样的结合？
严谨的GPT与健谈的DeepSeek
阳少：你们都用了 DeepSeek。从使用体验上，它给你带来的最大惊喜是什么？局限性又在哪里？
Fancy：我先说个简单的。其实我接触 AI 很早，最初因为好奇去用了 ChatGPT。当时并没有意识到它能为你的工作做什么，纯粹是试探它的能力。之前对AI的感受局限在“Siri”，我发现GPT 比 Siri 更有互动性，Siri 可能只是给你一个搜索的页面，而 GPT 会试图理解你的问题。
对我来说，GPT 给人的感觉有点像从小灵通换到了诺基亚的翻盖手机。而如果说 ChatGPT 是从小灵通升级到翻盖手机，那 DeepSeek 给我感觉可能更像是从翻盖手机直接换成了大屏智能机。它的接入门槛低，有中国手机号就能用，也让更多人真正开始在日常生活中使用 AI。
ChatGPT 的表达风格有点“官方”或“职业化”，像一个训练有素的心理咨询师；DeepSeek 更像你身边善良、健谈的大姐，既亲切又幽默。我猜这也是为什么很多人喜欢它的原因。
另外，因为我是个同人女嘛，GPT和DeepSeek刚出来时做过把角色性格设定输入给AI、让它模拟角色互动输出段子来当乐子的事。ChatGPT 输出的内容往往很一本正经，看上去甚至有些滑稽，中文语料的运用略显生硬。而 DeepSeek 则带着点网文风，幽默感更强，符合看梗、段子的习惯，这可能跟它的训练语料，很大程度受中文互联网社群、论坛的影响有关。
向辉：我也算是 ChatGPT 的早期用户，但最初的使用频率不高，因为限制会导致偶尔网络连接不畅。尽管如此，最早体验 ChatGPT 时还是觉得挺惊艳的，尤其是语音功能推出后，那感觉就像电影《Her》里会出现的场景。
当你对AI的使用频率不高时，就会更多把它当作一个“头脑风暴”的存在。后来Claude 3.5（Sonnet）推出时，给了我很不一样的体验。我觉得Claude的输出比 ChatGPT 更流畅、有人情味，文字表达也更优美。我用它写过诗，也跟它讨论过很多哲学和社科议题。
Claude 是一家硅谷创业公司开发的 AI，目前在业内也算热门。它有免费版和付费版，一次性推出了三个版本，名字都很文艺——Sonnet（十四行诗）、Opus（大作）、Haiku（俳句）。其中Opus 是最高级的，我用它来试着做了一些文学创作，体验很不错。
因此，当DeepSeek出现后，我的使用感觉是和Claude类似，但稳定性稍逊。我曾经抛给了ChatGPT、Claude 和 DeepSeek同一个关于“拼音拉丁化”的问题：很多地方性语言只有口语，没有文字，而拉丁化是一种书写方式的转换，我询问哪些语言更容易拉丁化，或者哪些语言在历史上成功完成了这一过程。GPT 的回答生硬，核心内容偏离问题，而 DeepSeek 给出了一些有用的信息，这让我还蛮意外的。但这也是DeepSeek唯一让我满意的一次，之后感觉它实在是太喜欢“发明概念”了。
如果说GPT 是一个上班族，逻辑清晰，按 1、2、3、4 列出要点，那么 DeepSeek 更偏修辞和比喻，甚至会创造一些新的词汇。比如，它特别适合生成贺词、个人年度报告、打油诗之类的内容，这可能也是它在春节期间大火的原因。
阳少：向辉说 DeepSeek喜欢发明概念这点我还蛮有感触的，作为编辑，我用AI的主要用途就是帮忙归纳、整理和总结。从这一点来说，我感觉ChatGPT（免费版）和DeepSeek的差别不是特别大。但后者的问题在于，它喜欢自己发明一些看似高深但经不起推敲的概念，比如网上很多人吐槽“量子”、“塌缩”、“熵增”的滥用——这些话很漂亮，但你其实不太需要。
向辉：我这里想再介绍一个大模型，就是Google推出的Gemini Flash Thinking。虽然 Transformer 这个核心架构最早是谷歌提出的，但谷歌在大模型领域一直处于落后地位。所以当他们推出Gemini早期版本时，尽管各种跑分显示它超越了同期的 GPT，但实际使用体验并不好。不过，在发布新版本 Flash Thinking后，我觉得体验流畅了很多。
这其中有个变化，就是在 Gemini 的界面中，右侧有一系列调节按钮，其中有一个叫 Temperature的选项，这个 Temperature 影响模型的输出风格。如果你想让模型回答更严谨，就把 Temperature 调低一些；如果想要它的回答更发散、更有创造力，就调高一点。
我后来看科普才知道，所有的大模型在推出时，Temperature 一般都被限制在 4.5 以下。正常情况下，GPT的默认值大约是 1.5，而 DeepSeek 可能会更高一些，超过了2。此外，Claude 也提供了不同的输出风格选项，比如“紧凑” “解释性”或“简短”等，这些其实都和 Temperature 参数有关。我猜 DeepSeek 在微调时可能选择了一种略显“哗众取宠”的策略。另外，中文互联网语境里，可供它训练的严谨语料可能也没那么多。
阳少：在 DeepSeek 之前，其实已经有很多国产大模型，比如豆包、通义、Kimi 等，各大互联网公司都在布局 AI 领域。但为什么这些模型没有像 DeepSeek 这样突然爆火？
向辉：我分享一些行业内部的观察，可能有点以偏概全。大概在 2023 年，国内对大模型的讨论非常热烈。当时我有帮一些记者写稿，他们经常去参加各种大型科技会议，会议上人人都在聊 AI。
但当时国内关注的 AI 方向，除了 ChatGPT 这种大语言模型，还有两个主要领域：开源模型和行业大模型。前者比较好理解，Meta（Facebook 母公司）推出了 Llama 这个开源模型，它的表现相对稳定，开源社区里也有很多人在基于 Llama 进行微调、扩展训练语料或优化技术方案。国内很多大模型，比如 Kimi、通义等，大多是在这个基础上开发的。
而行业大模型这个方向针对特定的行业需求，比如医疗、金融、客服等，企业会直接开发行业解决方案。很多公司（包括阿里、腾讯等）都在这一块投入资源，因为当时大家普遍认为，要在大模型赛道追赶 ChatGPT 难度太大，还不如利用 GPT 或 Llama 作为基座模型，训练针对特定行业的小模型。
所以在那个阶段，国内的共识是 AI 应该聚焦在应用层面，甚至李彦宏也曾说“做 AI 就是要做应用”。结果 DeepSeek 的横空出世彻底改变了这个认知。回顾当时的情况，很多国产大模型的体验都不如 ChatGPT，用户自然会选择更好用的 ChatGPT 或 Claude。而行业大模型虽然在企业端有市场，但普通用户接触不到，所以热度有限。
AI给出的思索过程，可以缓解决策焦虑？
阳少：DeepSeek 火了之后，网上涌现了大量使用教程，大家都在说“打破信息差”，AI感觉像是无所不能了。但你们觉得，具体到一些专业场景，AI到底能做什么？又做不到什么？
Fancy：我平时主要做写报告和定性研究，AI对我最大的帮助就是基础的语言翻译和信息搜索。另外像我的一些同事更常用AI来帮助调试和编程。就算是入门的编程水平，AI也能快速根据需求生成代码并帮忙 debug，就这方面来说，效率提升是非常明显的，再也不用一个个查找解决了。
如果是一些简单的文书工作，不讲究文学性的话，AI的确能帮大忙，但涉及到复杂的语境或者是理解层次深一点的内容，它就有点做不到了。我有时需要把一份很长的资料提炼成要点。这个过程不仅仅是信息的压缩，更多的是对中文词义的深度理解。比如，我要求AI总结一个产品的外观、使用度、易用性和它在实际生活中的使用场景等，它有时候就理解不了。再比如网文内容出海需要翻译，“破防”这个词，AI会翻译成“break defense”，但在中文语境下，“破防”是一个最早来自游戏里的词，后来指一个人丧失体面、无法自持的状态。AI显然抓不到这个文化背景。
我觉得，不管是夸奖还是质疑 AI 的人，实际上处于使用 AI 不同的阶段，而且他们对 AI 的态度也受到个人工作岗位或具体情境的影响。尽管我对 AI 在工作中的表现有很多不满，但在生活中，当我面临巨大的决策焦虑时，你能看到它冷静而理性的分析方式和思考过程，这个过程对我来说是有启发的，哪怕最终的决策结果有问题。这个思索的过程在某些时候对我来说是有价值的。
比如过年期间，跟我一起回老家的小猫生病了，年初五才刚刚痊愈出院，当时我焦虑于，刚痊愈的牠能否跟我一起坐飞机、能否承受托运的状态。我分别向 ChatGPT 和 DeepSeek 询问，结果截然不同。ChatGPT 的回答是：“你是否因为太焦虑而提这个问题？”它试图让我反思自己的核心需求——既不想让宠物受罪，又舍不得分开。
DeepSeek 则走了另一条路线，它先安抚我，说“看得出来你很爱猫，但你又不想分别”，然后突然来了个赛博玄学的解读：“既然已经定好了托运，说不定这是个好预兆。”它的回答可能受到了对话上下文的影响——前段时间赛博算命很火，我也用 DeepSeek 试了一下，后来在没有开启新对话的情况下询问宠物托运问题，它可能读取了之前的“算命”语料，于是给出了类似“良辰吉日，应该带猫走”这样的回答。
我顺便问了另一个问题：“如果我想生活在一个宠物友好的城市，有什么建议？”这个问题很泛，但 ChatGPT 先反问：“你如何定义‘宠物友好’？”然后列举了一些标准化的内容，像是百科里的正确废话。而 DeepSeek 则不断推测：“用户想要宠物友好，且担心猫……说明他很爱宠物……那他的生活和工作是否应该与宠物高度绑定？”最终，它的建议竟然是建议我去考动物行为学证书，进入宠物行业，甚至推荐杭州——但杭州显然是个遛狗都不太方便的城市，这种荒谬感非常强烈。
当 AI 处理带有复杂社会含义的问题时，它们的局限性就显现出来了。ChatGPT 在无法深入理解时，会退一步，给出模糊但相对安全的答案，而 DeepSeek 则会用“自信但胡说八道”的方式继续推理。
向辉：我觉得文字是个比较敏感的东西，最终取决于人对文字的要求。如果是写一些比较普通的内容，比如之前我也会写一些简短的文章，我会大量使用Claude来帮助润色、翻译，将一大堆信息浓缩成精简的概括。
它可以把一些信息整理成容易理解的内容。比如介绍一本新的学术书籍，你可能没时间看完整本书，但通过快速搜集资料，再让 AI 帮忙汇总，理出大纲，你就能很快写出一篇几千字的文章。这种方式效率非常高。尤其在忙碌的时候，使用 AI协作，一天能写三四篇短文章，而不使用时，最多只能写两篇，还得费劲儿。毕竟有些学术词汇你并不熟悉。
你需要非常清楚 AI 能做什么，不能做什么。它就像是一个实习生，刚从大学毕业，跨专业来工作。虽然对这个专业什么都不懂，但他非常有干劲，算力也很强。你能给它安排一些任务，但不能给它做不了的工作，比如直接让它生成一篇文章，显然是不可能的。不过据说最新的GPT deep research可以了，一次生成上万字的完整资料。
另外，关于翻译，我觉得AI很快就能替代 90% 以上的翻译工作。在这之前，谷歌翻译等工具就已经做得不错了，尽管当时的“高端”翻译能力，尤其是文学翻译、诗歌翻译，以及一些学术类的知识密集型翻译，还有很大的提升空间。接入AI以后，翻译能力都比以前强多了。因为大语言模型翻译是会照顾到上下文的，比如你要它翻译一个韦伯的文献，它就会把和韦伯相关的名词联系在一起，至少从术语的翻译上是过关的，并且在我的使用体验里，这还在不断优化。
如何向 AI 提问？描述与需求的“双轨制”
阳少：我想先问一个问题，你们会对AI 说谢谢吗？
Fancy：我会的。我不光会说谢谢，在它胡说八道的时候，也会很生气的质问它：你为什么要骗我？特别是在我每个月给你花20美金的前提下。
阳少：我就是那种从来都不跟AI说谢谢的人，完全把它当工具，并且会使用大量的祈使句。之前跟朋友开玩笑说，等以后AI统治世界，像我这种人就是要被抓进AI集中营的，而那些会跟AI说谢谢的人，可能会得到AI的善待。
之所以会问这个问题，是因为接下来想跟两位聊聊Prompting，就是怎么给AI 输入提示词。AI的使用是非常个人化的，你怎么跟它对话，决定了它怎么给你输入信息。你们对于Prompting有什么心得和体会吗？
向辉：我觉得 Prompting 这个事挺有意思的。尤其是在 DeepSeek 出来以后，Prompting 的角色好像变弱了。原来用 GPT 时，网上有很多教程教你怎么Prompt，才能得到一个可靠的结论，或者是一个很好的流程。但在 DeepSeek 出现后，大家发现，好像怎么用都能得到比较合适的结果。这其实说明了，DeepSeek的提示语机制并不总是在响应你提出的要求，反而是对里面的关键词很敏感，但你不知道它到底会识别哪些词为关键词。比如像Fancy前面提到的例子。
“提示词工程（Prompting engineering）”这个概念出自吴恩达，是通过合理的提问来引导AI做出最佳回答。这里涉及到了人类语言的习惯问题。我们在描述一件事情时，“命令”与描述是混合在一起的，比如我说“桌子很脏”，这是个描述，也是一个“需求”，可以暗示你去擦桌子。AI与人类对话时，工作方式就像“双轨制”，它在你的描述中提取你隐藏的“需求”，然后再执行。这就像人类在日常交流中，很容易分辨出你是描述一个事情，还是在提出一个请求。而AI训练时并不总是能直接理解这些，所以它需要一些特别的提示来帮助它分辨用户的意图。
在DeepSeek这个阶段，大语言模型逐渐可以不依赖复杂的Prompt，它在处理时会根据你之前输入的语境找到要点。但有时候，这种优化也带来了一些问题，它会非常依赖一两个关键词，然后疯狂输出，最后造成“过度生成”的情况。
关于我自己使用AI的方式，我试过一些不同的方法。有时我会将一些指令直接放在前面，像是让AI处理某段文本，或者要它完成几个明确的任务。比如先把语料粘贴进去，然后清楚地列出任务要求：“做1、做2、做3”。我发现这种做法效果较好，因为它让AI知道你的优先级是什么，并且能够按顺序执行任务。但同时我也得注意，不要让它做太多的事。一次最多给三个命令，超过了它可能就不太能完成了。
还有一个问题很奇怪，就是GPT的输出格式。AI在列出要点时非常规范，但如果我让它输出连贯的段落，而不是以“1、2、3”的方式进行要点呈现，就会出现记忆的缺失。比如，可能它输出了“1”之后，就不记得“2”的内容了，或者你的提示词里出现了让它不要做什么，三个点可能都会遗忘。这个问题看起来就像是一个典型的不成功的prompt —— 它没有理解你想要什么。
阳少：我感觉AI的思绪是高度结构化的，当然这种结构化足以应付许多人的工作与生活场景。但如果放到“叙事”的角度，并不是所有叙事都得按照结构化的方式展开。相反，结构化的表达，会抑制叙事的多样性与复杂性。
真诚丧失了吗？AI时代的“敷衍文学”
阳少：DeepSeek出来后，当人们说某个AI “语言好”时，到底是在说什么？现在小红书起号了一大批以DeepSeek为噱头的情感、生活和职场博主，标题往往是“被DeepSeek狠狠共情\一针见血了”，这样的表达，填补了当今人们哪些情感上的空白？
Fancy：DeepSeek火起来后，一度被推崇为“更懂中国人”的AI。我记得之前有个生活博主发布过一个视频，她半开玩笑地说，Deep Seek一出来，就不需要再问情感博主，直接问DeepSeek就行了。
我个人感觉是，AI确实比谷歌的搜索栏更有互动性，它有点像一个桌面“电子宠物”，让人产生点依赖，甚至投入真情实感。我记得很早以前的电脑系统就有“桌面宠物”这种功能，它可以动来动去，甚至可以换衣服。工作时，我会戳它一下，看它有反应，虽然这只是个小游戏，但这种互动感有时能让人感觉舒服。
至于你提到的情感博主用DeepSeek起号，或许还是因为它的普遍性和易用性，让很多人找到了倾诉的窗口。就像以前的网易云评论区，后来成了一个情感释放的场所，被戏称为“网抑云”。在情绪低落时，人们总是需要一个树洞去倾诉的。我们今天日常的很多沟通，都是讲究效率的、理性驱动的，甚至有些沟通是很暴力的，但人们其实在日常生活中是需要“深刻时刻”的，而且也需要不敷衍的支持。deepseek可能恰好提供了这样一个窗口。
向辉：春节的时候，有个朋友发了个朋友圈，他是拍短视频的，经常要写脚本，他说，DeepSeek写的比他好多了。他当时问DeepSeek：你为什么写的这么好？灵感从哪里来？
DeepSeek用了很多词汇，像“文明胚胎学”、“神话原型烙印”、“神经共鸣定律”、“道德拓扑学”、“最小善意的最小公倍数”、“文学蜂群效应”、“创伤修复本能”等等。这非常奇怪。因为他的提问是非常自然的，但DeepSeek却一下子造了十几个不自然的词，细想一下，每个词根本即使把一些理科词汇和文科词汇强行拼凑在一起，它们只是看起来“炫酷”而已，其实不知所云，没有任何实际意义。
为什么大家会觉得DeepSeek“写的好”，或者说为什么它打动了很多人？它说的很多内容我们都能理解，没有什么新奇的东西，没有什么意外，但它的语言呈现却非常丰富，有些地方甚至有点“变异”了。
就像Fancy说的，人类确实需要情感上的支持和交流，而这在大多数情况下都是通过语言来实现的。在AI的使用场景下，这种基于语言的连接会被无限放大。我们会把DeepSeek当作一个人来对话，不自觉地认为它具备了创造力、意识、感受力，甚至是像人类一样的情感。这是非常自然的反应，“它懂你”的心理暗示会不断加强。否则，为什么你会相信它说出来的内容呢？假设你跟你家的面包机说话，它的屏幕上突然输出一些小说般的内容，你一定会觉得很奇怪。
你们在讨论的时候，我还顺便在小红书上搜了一下，我发现加入“DeepSeek”标签后，点击量就会变得多。很多讨论都是关于关系的，比如“DeepSeek说女性最适合结婚的年龄”、“嫉妒AI，这正常吗？”等等，这种风格和小红书的氛围奇怪地融合在了一起，人们在寻求情感上的确定性时，也需要类似的自我确认机制。
阳少：我觉得这里面涉及到一个“真诚”的问题，AI并非说话的主体，因此尽管它能说出一些动听而漂亮的语言，总感觉会有些经不起检验。另一方面，我也在想，当人们寻求“情绪价值”时，真的那么在乎言语里面有多少“真”吗？假设这些话是坐在你面前的人说出的，Ta也未必是出于真诚，真诚有时伤人，而出于习惯、教养和技术等原因所习得的话语，才显得漂亮和情商高。
我们似乎不应该苛求AI“真诚”，但真诚却是一个可以继续追问下去的点。很早以前看《十三邀》采访陈嘉映，他提到鲁迅评价陀思妥耶夫的小说时有一个很精准的描述：真诚下面藏着虚伪，虚伪下面也藏着真诚。随着人类和AI的互动加深，我最担心的其实不是AI越来越像人，而是人越来越像AI，就连虚伪底下的那一抹真诚，也荡然无存。
Fancy：我非常同意你说的，不知道你们有没有听过一首网络歌曲叫《我的人机朋友》，里面有一段歌词是：
这首歌本身挺有意思，但它描述的现象也很符合我对现代社交的观察。人与人之间最真诚、最认真对待的部分，往往被简化成了类似“敷衍文学”的东西。你在小红书上也能看到类似的例子。如果我想要安全地和你社交，就会有一张表格列出：当你表示惊讶时该说什么，当你想继续追问时该用什么词，当你生气时又该怎么说。我看到这些就会觉得，这不是把自己喂成 AI 了吗？
我也在想，为什么和AI挂钩后，社交就被打上了“不真诚”的标签。我们在面试的时候遇到过使用AI的候选人，其实对方明明很有能力，但当你发现对方的作业里有AI痕迹时，顿时会觉得对方“态度有问题”“不真诚”——但当人自己面对AI（比如deepseek）时，又会感觉自己被看见、被支持；好像单独面对AI时，AI又是真诚的。这个矛盾还挺有意思。
AI 既生产假新闻，也有潜力核查假新闻
阳少：我们前几天发了篇文章《当DeepSeek生成〈哪吒2〉热门影评：低注意力时代的信息稀释》，作者提到一个观点，“说人话”正在成为很多人使用DeepSeek的提示词后缀，当AI模仿定义了何谓“人话”后，真正有价值的内容可能是反而是“不说人话”的。你们怎么看待这个观点？
向辉：我突然想到一个点，AI可能会改变我们表达的语境。我们与 AI 的互动，不管是文字版还是语音版聊天，背后都有一些实际需求。我们可以将这些需求分为实际用途和具有消遣性质的——比如打游戏或要求提供情绪价值。而在日常交流中，选择使用什么词汇、说什么话，往往受到情景和语言表达风格的影响。有些人非常善于挑选词语，以至于他们能用简短的几句话精准评价他人，甚至带有幽默和讽刺的色彩。每当你听到这种评价，就会觉得这个人特别有趣。
现在我们对 AI 的要求也类似。有时我们会让DeepSeek 去“锐评”GPT，或让 GPT 去“锐评”DeepSeek。“锐评”原本是人与人之间吐槽的方式，通常是和朋友或持相同观点的人一起进行。这种评价常常带有犀利和尖锐的语言，而当我们让 AI 去做类似的事情时，语境却发生了变化。
你提到“说人话”的prompting，这种倒转的要求，其实反映了一个普遍的现象：我们开始期待人类在语言上表现得像 AI 那样简洁、直白、无所顾忌。这和短视频文化也有关系——它强烈影响着我们的语言使用方式。短视频删除了语言的前后文，只输出一个强烈的观点或评价。当我们接受这个内容时，往往不在意大环境或其他复杂因素，只关心“我喜欢”或“不喜欢”，并希望能得到一个明确的表达方式。
如果 AI 与短视频、社交媒体紧密结合，可能会加剧这种趋势。AI 能大量输出这种简化的表达方式，而很多人可能缺乏免疫力，只想要快速、简洁的观点或情感表达。如果 AI 在这种语境中占据主导地位，可能会改变我们对语言、情感和交流的理解。
Fancy：我对这个话题的感受挺复杂的。虽然我自己不怎么看短视频，但我觉得它对我妈妈这样的人所处的群体来说，是有好处的。她60多岁了，除了去老年大学打太极拳，并没有太多娱乐活动，她把抖音当成朋友圈用，在上面和朋友，同事和亲戚们保持联系。因此我虽然想，但不能因此去限制她用抖音。
科技给她们这个群体带来了快乐。她看电影时，如果是原版外语片没有中文配音，她看得很吃力；她搜索的时候是没办法像年轻人一样看浏览器的搜索结果的。但如果问AI，AI 给她提供的简短内容，字大又清晰，她反而很喜欢。有一次，她还给我发了一个用 AI 做的猫咪视频，我家猫老打架，但AI让两只猫亲亲了；尽管AI做的是虚假的，但我妈妈获得的快乐是真实的。
当然另一方面 ，我也很担心她会被AI生成的假消息给诈骗。我父母这代人已经在无意间被 AI 影响了，比如他们搜索就习惯在微信搜索栏搜，但现在微信的搜索栏引用的信源基本来自AI或公众号、微信视频号内容。如果AI的回答是不可靠的，我父母看到回答以为是真的，久而久之假的信息也会变成“真”。他们如何适应这种变化，仍然是我一个很大的忧虑点。
阳少：这个就涉及到事实核查（Fact Check），作为儿女，需要为父母接触到的信息做事实核查。而在公共领域，事实核查指新闻传播领域里针对信息的真实性进行检验。向辉对于AI 时代的事实核查有什么观察吗？
向辉：无论中国还是美国，新闻行业在当前都面临着一定的冲击。假新闻满天飞，造假的成本变低了，事实核查的人力成本在变高。
AI在生成虚假信息、制造谣言方面非常强大，但反过来，它在验证信息时的效率也应该超过人类。例如，当一个信息发布后，往往会生成不同版本，AI能否汇总这些版本，快速识别出一些假新闻的特征，帮助做事实核查的人快速筛选，这从技术上来说是可行的。只是看谁来做，或者以何种方式进行。实现的前提在于，AI必须产品化和开源化，这样大家就能共同参与事实核查。
今天我们讨论了很多关于AI如何撒谎、如何不传递真实的信息。毕竟现在的AI的基础是基于语言的大模型，但就从人的角度来说，语言本身并不总是追求真理或事实的。按照维特根斯坦的理论，求真是一系列特殊的“语言游戏”。在日常交流中，我们并非总是在追求真相与事实，而是为了满足某些目的，即“以言行事”，我们可以用语言模仿、命令、请求、咒骂、夸赞，语言的意义在生活形式和社会之中。所以要在一个语言模型实现求真，难度其实很大。这其实是AI社会化的过程，而非单纯语言层面的挑战。
