AI反证搜索：用可推翻的问题检验判断
AI反证研究应寻找能够削弱主张的观察，而不是替你写一篇有说服力的反对文章。先把判断转成明确的失败条件，再检索相关原始证据，最后记录是否真正找到。模型既能编出精彩的看空故事，也能编出看多故事；语气怀疑，不代表事实已经得到核验。
把挑战问题和实际观察分开
建立三列：提出的反驳、检验它需要的观察、真正定位到的原始证据。第一列只是待调查问题，只有第三列才可能支持事实发现。这样可以防止模型提出的推测进入备忘录后，被读者误当成公司正在发生的事情，也能提醒自己不要把“值得担心”直接写成“已经证实”。
NIST生成式AI风险管理资源是官方的生成式AI风险资料。下面的反证流程是编辑研究方法，不代表该资料为某个模型的推理能力背书。其目的在于暴露无来源建议，并保留“正在寻找风险”和“风险已有证据”之间的区别。
假设案例：续约能够稳定收入吗
假设一个虚构判断是“软件公司的续约能够稳定收入”。AI提出“客户其实正在悄悄流失”。这句话本身没有证据。应改成可观察的问题：相同口径的续约群体是否缩小？是否只是提价让收入增长，同时客户数量走弱？再指定需要哪些披露、适用哪个客户群和哪个期间。
| 候选挑战 | 可以区分解释的观察 | 检索后的状态 |
|---|---|---|
| 提价掩盖留存变差 | 同口径留存与价格定义 | 提供的报告未披露 |
| 收入依赖单个合同 | 客户集中度附注 | 已定位，仍需确认期间 |
| 服务质量恶化 | 相关正式服务指标或原始披露 | 没找到足够证据 |
这是假设练习，不是针对真实公司的发现。第一行仍是未知，不能因为公司没披露一个有用指标，就把它视为客户流失证据。最后一行也不能证明服务很好，只能说明检索限制。负面结论与没有找到支持某个说法，是两回事；它们应在记录中占据不同状态。
把检索任务写得有边界
要求系统在明确的一组原始材料里检查指定条件，输出来源身份、日期、相关短原文，以及为什么这个观察能区分不同解释。也应保留支持原判断的观察，否则只要求找失败，会让反证任务本身产生新的选择偏差。一个公平的检查应允许任何方向的证据进入，但必须满足同样的来源标准。
停止条件可以是相关报告与附注已检查、指定来源无法访问，或所需指标在当前提供期间没有披露。不要要求模型一直搜索，直到找到足够负面的主张。更多轮次未必增加独立证据；如果只是不断转述同一份文件，可能只增加叙事与推测，反而让来源看起来比实际更多。
更新判断前先核对影响
每个已核实观察，都应检查它是否触发了先前记录的失效条件，还是只提出一个新问题。客户集中度可能提高依赖风险，却未必直接推翻续约机制。记录较窄、证据能支持的影响，不要把每个不利事实都改写成决定性反驳。判断确实变化时，保留旧版本，并注明是哪条观察促成改变。
重要发现应亲自回看原始来源，再考虑同一事实是否还有其他合理解释。证据质量与它在当前判断中的重要性要分开。一个很相关但证据薄弱的担忧，应继续作为待查问题；一个来源扎实却与当前机制无关的事实，也不应仅因为负面就主导结论。这种记录方式比“模型赞成还是反对”更可复查。
常见问题
可以让AI扮演严厉的批评者吗？
这种角色可以帮助提出问题，但角色扮演不能验证事实。仍应要求可观察条件、原始来源，并明确标记哪些只是推测性挑战。
没找到反证是否说明判断正确？
不能。检索可能不完整，关键观察可能不可得，也可能相关事件尚未发生。应写明已查范围和未知，而不是把没有发现错误当成确认正确。