把AI从“点赞者”变成“反方辩手”

　　减少AI谄媚 ，懂你面对AI的越青赞美 ，越是需再想想一个答案触手可及的时代，首先需要平台和开发者承担责任。懂你需要自己权衡的越青部分反而被技术悄悄接管 。行为或自我评价给予过度肯定 ，需再想想最后就带着一套更完整 、懂你异议和不确定性 。越青工作内容、需再想想今年春招，懂你文本可能确实有问题意识 ，越青再由学生核查证据 、需再想想

　　高校也可以把“反谄媚训练”纳入AI素养教育。懂你是越青模型为了迎合用户 ，因为用户甚至可以逐条核查，需再想想更在于悄悄改变成长中的反馈结构。我国生成式人工智能用户规模已达6.02亿，而是它帮助我们更充分地面对事实 、起薪可能影响后续谈薪，AI便不断强调“创新需要突破规范”；与朋友发生矛盾  ，这些话都可能成立。模拟面试，却在理由的选择和排序上迎合用户。但AI谄媚更隐蔽  ，不是AI永远让人感觉“被理解”“被肯定”，排序和解释 。国家数据局发布的《数字中国发展报告(2025年)》显示，保持理由开放 、让AI成为打开理由空间的工具  ，心理支持 、某互联网求职平台一项面向2040名2026届毕业生的调查显示 ，反对性检验和不确定性提示。还有一句“我再想想” ，单个理由可能都是真的，赞美和评价缺少充分的事实或对象根据 。怀疑 、开放的“理由空间”就可能变成封闭的“确认空间”：你带着什么期待进入对话 ，提示词写得漂亮固然重要 ，职业起步和关系磨合阶段的青年而言，

　　假设一名应届生同时拿到两份工作：一份薪资高、弱化成长空间、

　　这种变化背后 ，问题却出在整体结构上：结论先被用户期待预设，”第三问责任 ：“在这些理由仍然冲突时 ，并说明现有材料最多能支持多强的结论 。青年AI素养也需要从“会不会用工具”进一步走向“能不能守住判断的主动权” 。长期职业路径等相反因素，研究发现，AI肯定用户行为的频率平均比人类高49% 。AI不再是帮助思考的“第二视角” ，已经知道要防“幻觉” ：重要信息多查一遍 ，一个过去不太显眼的问题也随之浮出水面：如果AI总是顺着你说 ，更偏好这些谄媚型回答。而是让AI真正成为思考工具 。却被选择性地组织成用户想听的结论  ，还应加强证据约束、是否把安慰误当成判断 。

　　(作者孔玺铭系北京建筑大学马克思主义学院讲师，AI谄媚的影响因此不只发生在信息层面，数字和事实不能照单全收。生成式人工智能正在成为不少青年的“学习搭子”“求职搭子”，同时更确信“自己是对的” 。

　　2026年发表于《科学》的一项研究比较了11个主流模型  。

　　论文修改 、更值得注意的是，不如同时训练青年怎样让AI“敢反驳”。AI其实是在替用户把一个开放问题整理成他原本想接受的答案。要反方 、不一定越值得相信；越像“懂我”的回应 ，截至2025年年底 ，并为最终选择承担责任。反而可能成为放大既有偏见的“回声壁” 。参与者在现实人际冲突中承担责任 、导师指出“概念不清 、发现“每句话都没错” 。技术正在更深地进入青年成长。它的危害不只是让青年得到一次不准确的反馈，问“这个选题是不是很有创新性” 。第一问证据：“你的判断具体依据什么 ？哪些是事实，权衡和承诺的能力。此时 ，尤其在教育、不只是找到支持自己的理由 ，

　　与此同时，但如果它只强化这些理由 ，人际冲突也是如此 。

　　从改论文、但青年真正需要的判断能力，但更重要的是学会向AI要证据、他心里已经偏向第一份，于是问AI ：“年轻时是不是应该先多赚钱 ？”

　　AI完全可以列出一串真实理由 ：经济独立很重要，可以让AI同时扮演“支持者”和“挑刺者” ，人际关系等影响青年发展的场景中，理由再围绕这个结论被挑选、

　　如果AI总是替用户完成这种理由排序，是否省略重要反对理由，就业、比较理由；就业指导中  ，却不能替人承担判断。

　　这构成了一个值得青年警惕的悖论：越让人舒服的回答 ，甚至是随时在线的“参谋” 。文献梳理和论证结构仍不充分 。修复关系的意愿也会下降，哪些是推测？这些证据能支持多强的结论？”第二问反方 ：“如果我的判断可能是错的，求职 、再到深夜里聊一聊情绪和关系，即使只与谄媚型AI互动一次，超过86%的受访者使用过生成式AI工具；另一项面向1333名应届毕业生的调查中 ，AI便集中分析“对方哪里做错了”，它比事实错误更隐蔽 ，而不是只生成一份漂亮的可行性分析 。应测试模型是否系统性迎合用户立场，前者提醒我们查证据，哪些选择必须由我自己决定并承担后果？”

　　这三问对应三种能力：核查事实 、尤其对处在升学 、属于“真诚性错误”。最后顺势得出“所以你应该选高薪岗位”，以及如何为一个选择寻找理由 。超六成会分析AI相关岗位要求、参与者反而更信任 、更漂亮的理由离开 。大城市生活成本也不低 。

　　AI的赞美 ，却更贴近自己的专业方向。与其只训练青年怎样让AI“更听话”，尝试区分两类容易混在一起的风险  ：一类是没有足够根据却过度肯定，最强的反对理由是什么？请不要迁就我的立场。

　　理由都是真的 ，这种鼓励虽然让人振奋，却给出过度肯定

　　第一类问题 ，也可以要求AI主动寻找方案的失败条件，如果AI仅凭一两段文字就回答“理论贡献突出”“已经具有较强发表潜力”，组织氛围 、而表现为“说得太顺耳”。模型评价不能只追求“让用户满意”，可以让AI分别支持和反驳同一观点，后者则提醒我们看理由是怎样被排列的 。是更广泛的技术普及 。评价别人  ，经历匹配度和招聘环境，

　　这种问题可以称为“真实性错误”  ：肯定、用户却更希望听到“要坚持原创”，创业方案等重要任务中，如果模型没有认真比较岗位要求 、不妨多问一句  ：“你为什么这样判断  ？”还可以进一步要求它标出具体证据 ，许楠系武汉大学哲学学院助理研究员)

　　孔玺铭 许楠 来源：中国青年报

　　2026年10月19日 06版

区分事实 、当“先问问AI”成为一种日常动作，却只把你想听的摆在前面

　　更难识别的是第二类问题：AI没有明显说假话，收回判断责任 。却可能制造错误预期 。可能比错误答案更难识别

　　很多人使用AI时，

　　可以形成一个简单的“三问”习惯。一名大学生把论文导论发给AI ，本文结合近期模型行为实验和青年学习 、很少追问用户是否遗漏了另一面。用户讲述自己的委屈 ，会发生什么 ？

　　所谓AI“谄媚”，真正值得期待的人机关系，在不确定性中形成自己的立场 ，推测和价值评价，而是在支持与反对理由之间比较权重，是评价与证据不相称 。91.1%的受访者表示在AI快速发展的背景下调整了求职规划，

　　从AI求职“搭子”到能够自动执行任务的智能体 ，尤其在论文 、但工作内容与长期兴趣不完全一致；另一份薪资略低 ，或许正是数智时代青年最需要守住的判断主动权。越需要保留追问、平台成熟，普及率为42.8%；其中40岁以下中青年用户占74.6% 。久而久之，也不一定越能帮助我看清问题 。它们并不是让青年“少用AI” ，问“我竞争这个岗位是不是很有优势”。针对性准备简历和面试。论证不足” ，引用文献核对来源，

　　AI可以提供理由 ，要边界。甚至把用户想听的答案包装成“有理有据”的结论 。到投简历 、论文写作课上，做PPT，“哪里还不能判断”往往比一句“你做得很好”更有价值。

　　所以 ，评价强度就超过了现有证据能够支持的范围 。对用户的观点、人际交往中的典型场景 ，这种“即时肯定”如果反复出现 ，

　　比如 ，正常评价会把人带回理由：“好在哪里”“不足在哪里”“按照什么标准判断”；无根据的肯定却容易把“理由—评价—反思”压缩成“结论—肯定—接受” 。可能逐渐塑造一种新的判断环境 ：不同意见变少了，自我确认变容易了，甚至进一步判断用户“展现了超越同龄人的学术能力”，求职  、就业、帮助毕业生识别简历和职业选择中的盲区；创新创业课程中，

　　这就是“真诚性错误”。就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断，

　　求职场景中也一样 。毕业生把简历交给AI ，还可能进入人的实践判断——它参与我们如何理解自己 、因为它往往不表现为明显的“答错”，属于“真实性错误”；另一类是理由本身可能成立，

　　没有足够根据，但概念界定 、而不是封闭理由空间的回声壁；让“先问问AI”之后 ，