Ask HN：如何對待那些信任大語言模型的人？

Hacker News 的這個帖子討論的不是 AI 有沒有用。在大多數工作場所，這個問題已經有了答案。帖子討論的是當人們不再把大語言模型當作工具，而是開始把它們當作權威時會發生什麼。

兩種思路

討論大致分為兩個陣營。

第一組認為大語言模型只是老問題的新版本。人們一直信任不靠譜的來源——轉發郵件、沒有引用的博文、過度簡化複雜問題的電視新聞。

第二組不同意。他們認為大語言模型在結構上不同於之前的資訊誤導來源。一個糟糕的網站可以被檢查，而聊天機器人的回答以一個乾淨、自信的摘要形式到達，沒有可見的來源鏈條。

為什麼 LLM 的自信在社交上很複雜

在2026年說「聊天機器人會幻覺」，可能和2005年說「你不能信任互聯網」一樣尷尬。但沉默也有代價——當有人把 LLM 輸出當作證據呈現而沒有人質疑時，可接受證據的標準就悄悄降低了。

實用方法

質疑說法，而不是質疑人。 問「這是基於什麼來源的？」而不是「你不應該信任 ChatGPT」。

要求提供出處。 把對方當作真正有專業知識的人，問哪本書、哪位專家支持這個觀點。

區分低風險和高風險使用。 沒人需要審核 LLM 是否正確總結了會議議程，但用它作為招聘決策或法律論據的基礎值得審視。

演示問題而不是說教。 打開聊天機器人，在你熟悉的領域推動它、反駁它，看著它改口。這比抽象論述更有說服力。

保護你自己的底線。 用行動示範更好的習慣，而不是試圖糾正每一個不靠譜的說法。

專業環境中最大的風險

風險不只是幻覺——更深層的是無根據的自信。LLM 輸出聽起來很权威，比驗證它的意願移動得更快。在快節奏的會議中，精美的 AI 摘要可以在任何人檢查數據之前就改變討論方向。

這個帖子真正揭示的

這是一個社會問題，不是技術問題。更好的模型產生更合理的輸出，可能反而讓問題更嚴重。修復必須發生在習慣和規範層面——人類層，而不是模型層。

補充：閱讀這類 AI 新聞時的實用標準

英文版補上了更多判斷標準：先看原始來源，再看可重現性，最後看它對真實工作流程有什麼影響。不要只被數字、截圖或一句爆點帶走。更可靠的做法是問：這項能力能否穩定使用？失敗時會造成什麼後果？是否有官方文件、論文、產品說明或可驗證的展示支持？如果要用在團隊工作，還要說清楚誰負責複核、誰負責上線、誰承擔錯誤成本。

重點不是追每一個 AI 傳聞，而是把資訊變成可執行判斷。能幫你選工具、改流程、降低風險的內容才值得保存；只能製造情緒的內容，看看就好。