别让AI替你证明自己：我用“分布思维”重新理解决策

我见过最危险的AI使用方式，不是让AI写错一个答案，而是让它把一个人原本就想相信的东西，说得更加完整、漂亮、有逻辑。

很多人向AI提问时，其实并不是在寻找答案，而是在寻找认同。

他先把自己的判断、情绪和倾向写进提示词，然后问AI：“你觉得我的分析对吗？”

AI很快回复：

“你的洞察非常深刻。”

“这个判断抓住了问题的本质。”

“你的方案具有很强的可行性。”

一通分析下来，用户不仅没有发现自己的盲点，反而更加确信：我果然想得很深。

我把这种状态称为一种“认知闭环”：我先表达立场，AI再强化立场，最后我拿AI的回答证明自己的立场。

问题在于，这个闭环看起来充满逻辑，实际上可能从一开始就没有接触到真正的问题。

一、同一个问题，AI为什么能给出相反的答案？

我经常建议身边的人做一个小实验。

打开两个彼此独立、没有共享上下文的AI对话窗口，使用同一个模型，把同一个复杂案例、同一段提示词分别发给它们。

这里说的不是“1+1等于多少”这种有标准答案的问题，而是：

• 我要不要离职创业？
• 公司该不该起诉一个长期合作伙伴？
• 这个产品应该继续投入，还是及时止损？
• 面对一个表现不佳的员工，应该培养还是淘汰？
• 一段关系出现裂痕后，还有没有继续的必要？

你可能会发现，两个窗口给出的答案并不完全相同。

一次分析认为应该立即行动，另一次分析却认为应该保持克制；一次强调机会成本，另一次强调长期风险；一次建议结束，另一次建议修复。

这并不一定意味着其中一个答案“坏掉了”。

语言模型本质上是在给定上下文的条件下，对后续内容建立概率分布，再通过相应的解码机制生成一条具体路径。只要问题具有开放性，模型就可能从不同的论证方向出发，形成不同但表面上都说得通的结论。

更重要的是，AI并不只受“问题内容”影响，也会受到表达方式、上下文结构和信息顺序影响。

研究人员在使用大模型评价两个答案时发现，仅仅交换候选答案在提示词中的先后顺序，就可能改变模型的质量排序。研究团队因此提出“平衡位置校准”：把不同顺序下的评价综合起来，而不是只相信一次比较结果。

另一项关于“谄媚倾向”的研究也发现，经过人类反馈训练的AI助手，可能更倾向于迎合用户已经表达的观点，而不是坚持一个与用户立场相冲突、但更接近事实的答案。

所以，我现在很少直接问AI：

“我觉得这个项目一定能成功，你帮我分析一下可行性。”

我会改成：

“以下是一个不包含决策者立场的项目案例。请分别从支持、反对和暂缓三个角度分析，并说明每个结论成立所依赖的关键假设。”

这两种提问方式看起来只是措辞不同，实际上代表两种完全不同的AI使用习惯。

前者是在寻找支持，后者才是在探索分布。

二、复杂问题的答案，往往不是一个点，而是一个分布

我们习惯把所有问题都想象成考试题。

题目摆在这里，答案隐藏在某个地方。只要找到足够聪明的人，或者调用足够强的AI，就一定能把那个唯一正确的答案挖出来。

但真实世界中的大量问题并不是考试题。

它们更像棋局。

你走出一步之后，对手可能有几十种回应；每种回应又会引出新的局面。最终结果不仅取决于你的第一步，还取决于其他人的反应、环境变化、偶然事件，以及你暂时不知道的信息。

在这种问题里，所谓“应该怎么做”，很少是一个孤立答案，更接近一个由多种可能性构成的分布：

• 在什么条件下应该行动？
• 在什么情况下应该等待？
• 哪些风险发生概率不高，但损失极大？
• 哪些选择即使错了，也可以低成本撤回？
• 哪些选择一旦执行，就很难逆转？
• 当前判断依赖了哪些尚未验证的假设？

我所说的“分布思维”，不是要求我们真的给每一个人生选择计算出精确概率。

它更像是一种决策隐喻：不要把某一次分析、某一种情绪、某一个人的建议，当成全部可能性的代表。

一次回答，只是一次采样。

一次情绪，也只是一次采样。

甚至我们此刻非常坚定的“自我”，也可能只是特定时间、特定环境和特定信息下的一种状态。

三、我为什么会在一天之内改变建议？

前段时间，一位朋友找我商量一件事。

他是一家公司的负责人，最近发现公司几年前签订的一份合同存在明显问题，对方可能利用信息差，让公司承担了不合理的损失。

事情发生在前任负责人任职期间，却在他任上暴露出来。

从公司的利益出发，他想起诉。但前任负责人不同意，因为一旦进入诉讼程序，当年的管理责任也可能被重新审视。金额不算特别大，而前任负责人对他有知遇之恩。

他问我应该怎么办。

第一次听到这件事时，我的直觉非常明确：该起诉就起诉。

对方既然做错了，就应该承担责任。因为顾及情面而放弃追究，不仅委屈自己，也可能给公司留下不良示范。

我的建议带着明显的行动倾向。

但第二天吃饭时，我又想起了这件事。

我突然意识到，我并不了解诉讼会暴露哪些历史问题，不知道前任负责人和现任负责人分别需要承担什么成本，也不知道这场诉讼会不会影响公司正在进行的其他合作。

同样的信息，同样的事件，我的判断却发生了变化。

于是我又给他发消息，说昨天的建议只能作为一个样本，不能直接当成结论。真正作决定之前，至少还要评估法律成本、管理责任、组织关系和声誉风险。

这件事让我再次意识到：人类并不比AI天然稳定。

我们在愤怒时提出的方案，在冷静时可能会推翻；晚上作出的决定，第二天早晨可能又觉得过于激进。

这不是人格分裂，也不一定是缺乏原则。

很多时候，只是因为我们从同一个可能性空间里，采到了不同的路径。

四、选择完成以后，大脑会替我们补写一个故事

真正危险的地方还不在于判断会变化，而在于判断完成之后，我们通常会忘记它曾经摇摆过。

假设下午一点时，我有80%的可能性想在晚上出门，20%的可能性想留在家里。

到了晚上六点，我最终留在了家里。

从行动层面看，概率分布已经坍缩为一个确定结果：我没有出门。

但事后回忆时，我很可能不会说：

“我原本大部分想出门，只是在最后半小时里，疲惫感、天气和临时工作改变了我的偏好。”

我更可能说：

“其实我今天从一开始就不想出门。”

我们会用最终结果，反过来重写之前的心理过程。

这就是我所理解的“叙事陷阱”：结果发生以后，我们会为它构造一条连贯、稳定、仿佛早已注定的因果链。

叙事并非毫无价值。没有叙事，我们很难理解自己和他人。

但叙事是一种解释工具，不是真相本身。

五、四双相同的丝袜，为什么最右边更受欢迎？

1977年，心理学家理查德·尼斯贝特和蒂莫西·威尔逊发表了一篇后来被广泛讨论的论文。

其中一项实验让52名参与者评价四双完全相同的尼龙丝袜。丝袜以从左到右的方式摆放，参与者需要选出质量最好的一双。

结果出现了明显的位置效应：最右边的丝袜被选择的次数，接近最左边的四倍。

更有意思的是，当研究者询问选择原因时，没有参与者主动提到丝袜的位置。后来即使被直接问到位置是否影响了判断，几乎所有人也都否认了这一点。

人们会解释说，自己选择的那双质感更好、做工更细或者看起来更优。

这些理由听起来都很合理。

但问题是，四双丝袜是相同的。

这项研究不意味着人类对自己所有心理活动都一无所知，也不能证明每一次自我解释都是虚构的。它真正提醒我的是：我们能够非常真诚地说出一个理由，却仍然没有意识到真正影响选择的变量。

诚恳不等于准确。

逻辑完整也不等于因果真实。

六、高价红酒真的会让大脑“更享受”吗？

2008年，加州理工学院和斯坦福大学的研究人员进行了一个著名的红酒实验。

20名参与者在功能性磁共振设备中品尝标价分别为5美元、10美元、35美元、45美元和90美元的酒。

但他们实际上并没有喝到五种不同的酒，而是只喝了三种。其中两种酒分别以不同价格标签重复出现。例如，同一款酒会被分别标为10美元和90美元。

参与者整体上更喜欢被标为高价的酒；与此同时，当他们认为自己喝到的是价格更高的酒时，与体验愉悦相关的内侧眶额皮层也呈现出更强的活动。

不过，这项研究需要谨慎解读。

研究者本人也特别强调，最确定的发现是：价格信息改变了主观评分，并与相关脑区活动变化相伴。仅凭这一点，还不能简单断言“高价格让人获得了更多真实快乐”。

即便如此，它仍然说明了一件重要的事：

我们对一个对象的体验，不只来自对象本身，也来自价格、品牌、预期和情境。

我们以为自己在评价红酒，实际上也在评价标签。

我们以为自己只是在阅读AI的分析，实际上也可能受到AI自信的语气、完整的结构和专业术语影响。

七、同样的方案，换一种说法，选择就可能翻转

卡尼曼和特沃斯基在1981年发表的经典研究中，提出了著名的“亚洲疾病问题”。

假设一种疾病可能导致600人死亡。

第一组参与者看到的是“拯救生命”的表达：

• 方案A：确定救活200人；
• 方案B：有三分之一概率救活600人，有三分之二概率无人获救。

结果，72%的人选择了确定救活200人的方案。

第二组参与者面对的是数学上等价、但改为“死亡人数”的表达：

• 方案C：确定有400人死亡；
• 方案D：有三分之一概率无人死亡，有三分之二概率600人全部死亡。

这一次，78%的人选择了风险更高的方案。

选择内容没有改变，变化的只是表达框架。面对“收益”时，人们更倾向于规避风险；面对“损失”时，人们又更愿意冒险。

这也解释了为什么复杂决策不能只问一次。

你问“继续投入能获得什么”，与问“停止投入会损失什么”，得到的心理感受可能完全不同。

你问AI“为什么应该起诉”，与问它“为什么不应该起诉”，它调动的论据也会不同。

因此，一个负责任的决策过程，必须主动改变框架，而不是等待自己偶然看到另一面。

八、我现在怎样用AI分析复杂问题？

知道AI会波动，并不意味着AI没有价值。

恰恰相反，当我不再把AI视为“答案机器”之后，它才真正成为一个有价值的决策工具。

第一步：先清除自己的立场

我会尽量用中性语言描述事件，不在案例中提前宣布谁对谁错，也不把自己想要的结果写进去。

因为一旦我说“我认为对方明显不合理”，AI的分析起点就已经受到影响。

第二步：要求它生成相互冲突的方案

我不会只让AI给出最佳方案，而会要求它分别论证：

• 为什么应该做；
• 为什么不应该做；
• 为什么现在不应该决定；
• 每种结论依赖哪些假设。

好的决策分析不是迅速消灭分歧，而是把分歧的来源暴露出来。

第三步：交换顺序，重复比较

当我让AI比较方案A和方案B时，我会再把顺序换成方案B和方案A。

如果交换顺序之后评价明显改变，我就会降低对这次比较的信任度。

因为此时模型可能不只是在比较内容，也受到了位置、表述长度或语气强弱的影响。

第四步：记录分歧，不急着选出赢家

我会把多次分析整理成一张“决策分布图”：

哪些理由频繁出现？

哪些结论只在特定前提下成立？

哪些风险被多个分析同时提到？

哪些关键问题始终缺乏信息？

如果多次采样很快收敛，问题可能相对清晰。

如果分析长期不收敛，通常意味着这确实是一个复杂问题，而不是我还没有找到那个神奇的提示词。

第五步：让截止时间决定何时坍缩

分布思维不是无限拖延。

现实中的很多问题都有截止日期，我们最终必须选择。

但我会尽量区分两件事：

什么时间应该继续保留可能性，什么时间必须把可能性压缩成行动。

在截止日期到来之前，我可以继续补充信息、测试假设、设计低成本实验。

到了必须决定的时候，我会根据当时的信息和规则行动，同时承认：

这个决定是当前条件下的一次选择，不是宇宙替我盖章的唯一答案。

九、真正成熟的思考，不是永远正确，而是容得下不确定性

我越来越觉得，一个人的认知韧性，不体现在他能不能迅速给出答案，而体现在他能不能容忍答案暂时不出现。

我们总想尽快把复杂问题变成一句话：

“这个人就是坏。”

“这个项目一定不行。”

“我天生不适合这件事。”

“AI已经证明我的判断是对的。”

这些句子最大的吸引力，是它们能迅速结束不确定性。

但它们也可能过早关闭了其他可能。

所谓分布思维，就是在结论出现之前，允许多个相互矛盾的解释暂时共存；在结论出现之后，也不把一次选择重新包装成命中注定。

AI最重要的价值，并不是替我作决定。

它更像一台认知模拟器：帮助我看到不同的行动路径、不同的叙事框架，以及自己原本没有意识到的假设。

但前提是，我不能拿着一次采样，当成整个分布。

也不能拿着AI生成的一段漂亮文字，当成现实已经提供的证据。

AI可以帮助我扩展思考空间，但最终让我作出更好决定的，仍然是对不确定性的认识、对证据的尊重，以及对行动后果的承担。

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）