AI 时代的三类事实：确定性事实、过程性事实与认知性事实 -

——为什么不同事实必须用不同方式验证

一、分类是解决验证问题的基础

新事物出现时，最先出现的是混乱。

AI 也是如此。大语言模型出现以后，人们很快开始讨论 AI 是否会取代人类、是否会产生超级智能、是否会让某些职业消失，甚至有人不断制造关于永生、意识上传和未来世界的轰动性预测。在一个注意力驱动的时代，越是惊人的说法越容易传播，越是安静的概念清理越不容易被市场奖励。

AI 发展早期，如果缺少整体分类，事实、观点、预测、执行过程、责任关系和认知判断就会混在一起。真正的理论工作，往往不是从制造轰动开始，而是从整理混乱开始。

前面几篇文章已经从不同角度讨论过 AI 与验证的关系。《从相信到验证》讨论的是观念转变；《可验证思想，是 AI 时代的捆龙锁》讨论的是 AI 为什么必须被可验证思想约束；《如何为 AI 建立可验证结构》讨论的是授权、输入、过程、输出、回放和责任如何进入结构；《人需要对 AI 拥有验证权》强调的是最终复核权不能完全交给机器；《验证不是预测》则指出，未来判断不能被当成已经发生的事实。

进一步的问题是：AI 时代到底要验证什么？答案看似简单：验证事实。但问题在于，事实并不是同一种事实。

如果不先区分事实类型，验证就会变成一个笼统口号。人们会把金融事实、内容来源、执行过程、模型输出、专家意见、AI 判断和未来预测都放进同一个“事实核查”概念中讨论。这样一来，验证方法必然混乱。

因此，我们需要正确的分类。有了对象分类，方法才能对应；不同对象，必须进入不同验证方法。

确定性事实，需要核验。

过程性事实，需要回放。

认知性事实，需要复核。

这三句话，是本文的核心。没有分类，验证只能停留在态度；有了分类，验证才成为方法。

二、已有理论家看到了局部问题

AI 理论界并非没有看到问题。

Bender 等人用“随机鹦鹉”提醒人们，大语言模型生成语言，并不等于理解语言背后的事实和意义；Marcus 和 Lenat 则指出，当前生成式 AI 可以产生看似合理的输出，但这并不等于它能够提供可靠事实；Floridi 用“有行动能力但未必有智能”概括生成式 AI 的特殊位置，提示我们不能只讨论 AI 是否理解，还必须讨论 AI 如何行动；Russell、Bengio 等 AI 安全研究者，则从不同角度强调不确定性、监督、评估和控制的重要性。

这些判断都很重要。它们分别触及了 AI 时代的语言、事实、行动、安全和控制问题。但是，它们仍然是从不同方向切入。有人看到语言模型不等于理解，有人看到模型输出不等于可靠知识，有人看到 AI 的行动能力和智能理解可以分离，有人看到 AI 安全需要监督和控制。

不仅理论界在推进，事实核查、内容溯源、AI 审计、过程监督和多模型评估也已经成为现实方向。自动事实核查和 claim verification 研究，正在用大语言模型进行声明抽取、证据检索、真假判断和解释生成；Google 的 ClaimReview 和 Fact Check Tools 也说明，围绕事实性声明的结构化核查已经进入工具化阶段。

内容溯源领域也在快速发展。C2PA 和 Content Credentials 试图通过开放标准记录数字内容的来源和编辑历史，使内容的出处、生成方式和修改过程可以被追踪。AI 审计和监管方向也开始要求系统具备日志能力。例如欧盟 AI Act 第 12 条要求高风险 AI 系统在技术上允许自动记录事件日志，以保证系统生命周期内的可追溯性。OpenAI 的 process supervision 研究也说明，在复杂推理中，只看最终结果不够，过程步骤本身也需要被检查。LLM-as-a-Judge 的研究则进一步说明，AI 可以参与评价和复核，但其可靠性、偏差和一致性本身仍然需要评估。

这些进展说明，AI 时代的验证问题已经不是抽象设想，而是正在进入工具、标准、监管和研究体系。但是，它们也暴露出一个更基础的混乱：人们仍然把不同性质的对象放在同一个“事实核查”概念下讨论。事实性声明、内容来源、执行过程、模型推理、专家观点和未来预测，显然不是同一种对象。

因此，本文不是否定已有事实核查、内容溯源和 AI 审计工作，而是提出一个更基础的分类：AI 时代的事实至少应分为确定性事实、过程性事实和认知性事实。不同事实不能使用同一种验证方法。

三、确定性事实：结构的确定性，才使真伪可以判断

第一类是确定性事实。

确定性事实，是指已经发生、状态明确、可以通过外部证据、账本结构、签名、记录、法律文件或第三方确认进行核验的事实。金融事实、交易事实、储备事实、账户余额事实、身份事实、授权事实、合同签署事实，都属于这一类。

这类事实的关键问题是：是真是假？是否存在？状态是否一致？有没有被篡改？

例如，一个稳定币项目声称自己有足额储备，这不是观点，也不是预测，而是确定性事实问题。储备有没有，金额是多少，发行量是多少，储备与发行是否对应，银行账户是否真实，审计记录是否存在，链上发行和链下资产是否一致，这些都必须能够核验。

确定性事实的处理方法，不是让 AI 判断“我认为它是真的”，而是建立验证结构。

这里可以借用透明银行的原则：结构的确定性，才使结果的真伪可以被判断。透明银行不是因为银行自称透明就可信，而是因为账户、交易、储备、授权、哈希、引用链和公共信用根之间形成了可验证结构，外部才能判断账是否一致、储备是否存在、记录是否被篡改。

所以，确定性事实的验证方法是核验。

核验依赖的是原始记录、双方确认、第三方确认、签名、哈希、时间戳、引用链、账账核对、链上链下一致性检查，以及必要时锚定到公共信用根。AI 可以参与核验，但 AI 不是事实来源。AI 可以帮助抽取声明、比对记录、发现矛盾、检查哈希、生成核验报告，但最终依据仍然必须来自结构化证据。

这一区分非常重要。事实核查 AI 已经存在，但它主要处理文本中的事实性声明。它可以检查“某人是否说过某句话”“某事件是否发生”“某公开数据是否支持某个说法”。但金融事实、储备事实、交易事实、授权事实，不能只靠文本核查。它们需要透明银行式的验证结构。

换句话说，确定性事实不是由 AI 判断为真，而是由验证结构使真伪可以被判断。

四、过程性事实：没有留痕，就没有回放

第二类是过程性事实。

过程性事实不是主要回答“结论是真是假”，而是回答：这个过程是否发生？是否按规则发生？是否越权？是否可以追溯？是否可以回放？

AI 执行过程、审批过程、工具调用、数据调用、人工确认节点、风控触发、平台处罚、保险理赔、招聘筛选、医疗辅助判断、法律文书生成，都可能包含过程性事实。

例如，一个 AI 金融代理替用户执行任务。问题不仅是最后结果是什么，还包括：用户是否授权？授权范围是什么？AI 调用了哪些数据？用了哪个模型版本？是否调用外部工具？是否超过权限？是否触发风控？是否经过人工确认？异常发生时是否暂停？谁批准了最终执行？

这些不是简单的真假判断，而是过程回放问题。

因此，过程性事实的验证方法是回放。

回放的前提是留痕。AI 系统本身必须允许用户留痕、机构留痕和监管留痕。没有留痕，就没有回放；没有回放，就没有过程验证。

这里的留痕不是普通意义上的内部日志。普通日志如果完全由平台单方保存，仍然存在事后修改、选择性呈现和解释权垄断的问题。更强的留痕，应当包括关键输入、授权范围、模型版本、工具调用、人工确认、输出结果、异常节点和执行状态，并对关键节点和关键内容进行哈希化。必要时，这些哈希可以锚定到公共信用根，使日后能够证明过程记录没有被篡改。当然，留痕强度应由用户要求、风险等级和隐私调用限制共同决定。

一般来说过程性事实也需要分层处理。高风险、高价值、涉及资产、权利、责任和公共利益的核心环节，应当硬留痕、强回放；低风险、高频率、低价值的普通交互，可以采用抽样记录、异常触发留痕和事后审计。验证结构不是把所有成本无限放大，而是把最需要验证的关键事实和关键过程固定下来。

因此，过程性事实不靠“AI 自己解释自己”解决，而应根据用户要求和风险等级，靠“留痕—哈希—回放—责任”解决。

五、认知性事实：观点不能核验，只能复核

第三类是认知性事实。

认知性事实是最容易引起误解的一类。所谓认知性事实，并不是说观点、评价和预测本身就是确定性事实，而是指 AI 或人形成认知结论的事实对象：谁作出了判断，依据什么事实，经过什么推理，采用什么标准，边界在哪里，是否存在反方证据，结果是否可以事后评价。

AI 的分析、评价、风险判断、信用评分、投资建议、法律意见、医疗建议、招聘判断、政策分析、文章评价和未来预测，都属于这一类。

这类内容不能像银行余额一样直接核验真假。例如，“某账户在某时间有一亿美元”是确定性事实；“这个项目风险较高”是认知判断；“这个资产未来会上涨”是预测。把这三者混在一起，是 AI 时代最危险的概念混乱之一。

认知性事实的处理方法不是核验，而是复核。

复核要检查的是：依据是否真实，概念是否清楚，推理是否跳步，逻辑是否一致，是否遗漏关键反例，是否把观点伪装成事实，是否把预测伪装成事实，是否说明了边界，是否允许不同意见进入讨论。

这类复核很像专家评议和研讨会。一个 AI 可以生成观点，另一个 AI 可以从反方角度挑毛病，第三个 AI 可以检查事实依据，第四个 AI 可以检查逻辑结构。多 AI 复核的价值，不在于让另一个 AI 拥有最终裁判权，而在于扩大视角、暴露漏洞、提高逻辑一致性。

这也是我们现在使用的工作方式：人提出核心判断，AI 协助组织结构和表达，再让其他 AI 从外部角度挑错、质疑、补漏洞，最后仍然由人判断哪些批评成立，哪些批评不成立。

因此，认知性事实的验证公式是：多方复核，加人的最终判断。

这里的“人”也不是抽象的人。在专业门槛很高的领域，最终复核应当尽可能由具备责任能力和专业能力的人承担，并可引入专家评议、对抗性讨论和申诉机制。人的最终判断权不是随意裁决，而是在多方复核之后，对依据、逻辑、边界和责任作出最后确认。

AI 可以成为认知复核工具，但不能成为最终事实来源。否则，就是用一个黑箱审查另一个黑箱。

六、观点不是事实，预测不是事实

在 AI 时代，最容易被混淆的，是观点和预测被包装成事实。

观点不是事实。

“某人发表了某个观点”这件事本身，可以成为确定性事实。比如某专家在某年某月某日说过某句话，这可以查原文、查出处、查录音、查上下文。但是，这个观点的内容并不因此就成为确定性事实。一个专家说“某个资产没有价值”，这个发言行为可以被核验，但“这个资产没有价值”本身仍然是认知判断，不是确定性事实。

所以，观点要分两层处理：观点的存在可以核验，观点的内容只能复核。

预测也不是事实。

“某个 AI 在某个时间点做出某项预测”是可以记录的事实；但预测内容本身不是事实。预测指向未来，而未来尚未发生。只有当未来事件真正发生之后，结果才会变成可以核验的确定性事实。

所以，预测也要分层处理：预测行为可以记录，预测依据可以复核，预测结果只能等未来事实出现后再检验。

这个区分极其重要。AI 最擅长生成判断、解释和预测，但社会最需要的是可验证事实。如果把 AI 的判断当成事实，把 AI 的预测当成事实，机器输出就会披上事实外衣，进而影响金融、法律、医疗、招聘、信用评分和公共决策。

因此，AI 时代的事实层不能把所有内容都当作事实处理。它必须严格区分：哪些是确定性事实，哪些是过程性事实，哪些是认知性事实；哪些只是观点，哪些只是预测。

观点和预测可以被记录、被追踪、被复核，但不能直接获得确定性事实的地位。

七、三类事实不是行业分类，而是验证性质分类

这里还要避免一个误解：确定性事实、过程性事实、认知性事实，不是按行业划分的，而是按验证性质划分的。

金融事实通常是确定性事实，但金融场景中也有过程性事实和认知性事实。例如 AI 做贷款审批，账户余额、收入记录、合同文件是确定性事实；AI 调用了哪些数据、经过哪些审批步骤、是否触发人工确认，是过程性事实；AI 判断“此人风险较高”，则是认知性事实。

同样，医疗场景也可能同时包含三类事实。病人的化验数据、影像记录和用药记录是确定性事实；AI 辅助诊断的调用过程、医生确认过程和系统提示过程是过程性事实；AI 或医生形成的诊断意见、风险判断和治疗建议，则属于认知性事实。

法律、招聘、保险、平台治理、公共服务，也都如此。

同一个事件中，三类事实往往同时存在。它们并非彼此隔绝，而是主导验证方法不同。确定性事实以核验为主，过程性事实以回放为主，认知性事实以复核为主。

三类事实之间还会相互引用和转化。一个 AI 风险判断本身属于认知性事实，但当这个判断被用于贷款拒绝、平台处罚或资产处置时，后续执行过程就形成了过程性事实；如果事后发现判断所依据的收入记录、交易数据或身份文件有误，问题又会回到确定性事实的核验。分类的目的不是把世界切成互不相干的三块，而是让责任链能够从认知判断追溯到执行过程，再追溯到基础事实。

这正是分类的意义。

如果不分类，就会把所有验证都说成事实核查；如果分类清楚，就知道不同对象必须进入不同结构。