AI 時代的三類事實：確定性事實、過程性事實與認知性事實 -

——為什麼不同事實必須用不同方式驗證

一、分類是解決驗證問題的基礎

新事物出現時，最先出現的是混亂。

AI 也是如此。大語言模型出現以後，人們很快開始討論 AI 是否會取代人類、是否會產生超級智能、是否會讓某些職業消失，甚至有人不斷製造關於永生、意識上傳和未來世界的轟動性預測。在一個注意力驅動的時代，越是驚人的說法越容易傳播，越是安靜的概念清理越不容易被市場獎勵。

AI 發展早期，如果缺少整體分類，事實、觀點、預測、執行過程、責任關係和認知判斷就會混在一起。真正的理論工作，往往不是從製造轟動開始，而是從整理混亂開始。

前面幾篇文章已經從不同角度討論過 AI 與驗證的關係。《從相信到驗證》討論的是觀念轉變；《可驗證思想，是 AI 時代的捆龍鎖》討論的是 AI 為什麼必須被可驗證思想約束；《如何為 AI 建立可驗證結構》討論的是授權、輸入、過程、輸出、回放和責任如何進入結構；《人需要對 AI 擁有驗證權》強調的是最終覆核權不能完全交給機器；《驗證不是預測》則指出，未來判斷不能被當成已經發生的事實。

進一步的問題是：AI 時代到底要驗證什麼？答案看似簡單：驗證事實。但問題在於，事實並不是同一種事實。

如果不先區分事實類型，驗證就會變成一個籠統口號。人們會把金融事實、內容來源、執行過程、模型輸出、專家意見、AI 判斷和未來預測都放進同一個「事實核查」概念中討論。這樣一來，驗證方法必然混亂。

因此，我們需要正確的分類。有了對象分類，方法才能對應；不同對象，必須進入不同驗證方法。

確定性事實，需要核驗。

過程性事實，需要回放。

認知性事實，需要覆核。

這三句話，是本文的核心。沒有分類，驗證只能停留在態度；有了分類，驗證才成為方法。

二、已有理論家看到了局部問題

AI 理論界並非沒有看到問題。

Bender 等人用「隨機鸚鵡」提醒人們，大語言模型生成語言，並不等於理解語言背後的事實和意義；Marcus 和 Lenat 則指出，當前生成式 AI 可以產生看似合理的輸出，但這並不等於它能夠提供可靠事實；Floridi 用「有行動能力但未必有智能」概括生成式 AI 的特殊位置，提示我們不能只討論 AI 是否理解，還必須討論 AI 如何行動；Russell、Bengio 等 AI 安全研究者，則從不同角度強調不確定性、監督、評估和控制的重要性。

這些判斷都很重要。它們分別觸及了 AI 時代的語言、事實、行動、安全和控制問題。但是，它們仍然是從不同方向切入。有人看到語言模型不等於理解，有人看到模型輸出不等於可靠知識，有人看到 AI 的行動能力和智能理解可以分離，有人看到 AI 安全需要監督和控制。

不僅理論界在推進，事實核查、內容溯源、AI 審計、過程監督和多模型評估也已經成為現實方向。自動事實核查和 claim verification 研究，正在用大語言模型進行聲明抽取、證據檢索、真假判斷和解釋生成；Google 的 ClaimReview 和 Fact Check Tools 也說明，圍繞事實性聲明的結構化核查已經進入工具化階段。

內容溯源領域也在快速發展。C2PA 和 Content Credentials 試圖通過開放標準記錄數字內容的來源和編輯歷史，使內容的出處、生成方式和修改過程可以被追蹤。AI 審計和監管方向也開始要求系統具備日誌能力。例如歐盟 AI Act 第 12 條要求高風險 AI 系統在技術上允許自動記錄事件日誌，以保證系統生命周期內的可追溯性。OpenAI 的 process supervision 研究也說明，在複雜推理中，只看最終結果不夠，過程步驟本身也需要被檢查。LLM-as-a-Judge 的研究則進一步說明，AI 可以參與評價和覆核，但其可靠性、偏差和一致性本身仍然需要評估。

這些進展說明，AI 時代的驗證問題已經不是抽象設想，而是正在進入工具、標準、監管和研究體系。但是，它們也暴露出一個更基礎的混亂：人們仍然把不同性質的對象放在同一個「事實核查」概念下討論。事實性聲明、內容來源、執行過程、模型推理、專家觀點和未來預測，顯然不是同一種對象。

因此，本文不是否定已有事實核查、內容溯源和 AI 審計工作，而是提出一個更基礎的分類：AI 時代的事實至少應分為確定性事實、過程性事實和認知性事實。不同事實不能使用同一種驗證方法。

三、確定性事實：結構的確定性，才使真偽可以判斷

第一類是確定性事實。

確定性事實，是指已經發生、狀態明確、可以通過外部證據、賬本結構、簽名、記錄、法律文件或第三方確認進行核驗的事實。金融事實、交易事實、儲備事實、賬戶餘額事實、身份事實、授權事實、合同簽署事實，都屬於這一類。

這類事實的關鍵問題是：是真是假？是否存在？狀態是否一致？有沒有被篡改？

例如，一個穩定幣項目聲稱自己有足額儲備，這不是觀點，也不是預測，而是確定性事實問題。儲備有沒有，金額是多少，發行量是多少，儲備與發行是否對應，銀行賬戶是否真實，審計記錄是否存在，鏈上發行和鏈下資產是否一致，這些都必須能夠核驗。

確定性事實的處理方法，不是讓 AI 判斷「我認為它是真的」，而是建立驗證結構。

這裏可以借用透明銀行的原則：結構的確定性，才使結果的真偽可以被判斷。透明銀行不是因為銀行自稱透明就可信，而是因為賬戶、交易、儲備、授權、哈希、引用鏈和公共信用根之間形成了可驗證結構，外部才能判斷賬是否一致、儲備是否存在、記錄是否被篡改。

所以，確定性事實的驗證方法是核驗。

核驗依賴的是原始記錄、雙方確認、第三方確認、簽名、哈希、時間戳、引用鏈、賬賬核對、鏈上鏈下一致性檢查，以及必要時錨定到公共信用根。AI 可以參與核驗，但 AI 不是事實來源。AI 可以幫助抽取聲明、比對記錄、發現矛盾、檢查哈希、生成核驗報告，但最終依據仍然必須來自結構化證據。

這一區分非常重要。事實核查 AI 已經存在，但它主要處理文本中的事實性聲明。它可以檢查「某人是否說過某句話」「某事件是否發生」「某公開數據是否支持某個說法」。但金融事實、儲備事實、交易事實、授權事實，不能只靠文本核查。它們需要透明銀行式的驗證結構。

換句話說，確定性事實不是由 AI 判斷為真，而是由驗證結構使真偽可以被判斷。

四、過程性事實：沒有留痕，就沒有回放

第二類是過程性事實。

過程性事實不是主要回答「結論是真是假」，而是回答：這個過程是否發生？是否按規則發生？是否越權？是否可以追溯？是否可以回放？

AI 執行過程、審批過程、工具調用、數據調用、人工確認節點、風控觸發、平台處罰、保險理賠、招聘篩選、醫療輔助判斷、法律文書生成，都可能包含過程性事實。

例如，一個 AI 金融代理替用戶執行任務。問題不僅是最後結果是什麼，還包括：用戶是否授權？授權範圍是什麼？AI 調用了哪些數據？用了哪個模型版本？是否調用外部工具？是否超過權限？是否觸發風控？是否經過人工確認？異常發生時是否暫停？誰批准了最終執行？

這些不是簡單的真假判斷，而是過程回放問題。

因此，過程性事實的驗證方法是回放。

回放的前提是留痕。AI 系統本身必須允許用戶留痕、機構留痕和監管留痕。沒有留痕，就沒有回放；沒有回放，就沒有過程驗證。

這裏的留痕不是普通意義上的內部日誌。普通日誌如果完全由平台單方保存，仍然存在事後修改、選擇性呈現和解釋權壟斷的問題。更強的留痕，應當包括關鍵輸入、授權範圍、模型版本、工具調用、人工確認、輸出結果、異常節點和執行狀態，並對關鍵節點和關鍵內容進行哈希化。必要時，這些哈希可以錨定到公共信用根，使日後能夠證明過程記錄沒有被篡改。當然，留痕強度應由用戶要求、風險等級和私隱調用限制共同決定。

一般來說過程性事實也需要分層處理。高風險、高價值、涉及資產、權利、責任和公共利益的核心環節，應當硬留痕、強回放；低風險、高頻率、低價值的普通交互，可以採用抽樣記錄、異常觸發留痕和事後審計。驗證結構不是把所有成本無限放大，而是把最需要驗證的關鍵事實和關鍵過程固定下來。

因此，過程性事實不靠「AI 自己解釋自己」解決，而應根據用戶要求和風險等級，靠「留痕—哈希—回放—責任」解決。

五、認知性事實：觀點不能核驗，只能覆核

第三類是認知性事實。

認知性事實是最容易引起誤解的一類。所謂認知性事實，並不是說觀點、評價和預測本身就是確定性事實，而是指 AI 或人形成認知結論的事實對象：誰作出了判斷，依據什麼事實，經過什麼推理，採用什麼標準，邊界在哪裏，是否存在反方證據，結果是否可以事後評價。

AI 的分析、評價、風險判斷、信用評分、投資建議、法律意見、醫療建議、招聘判斷、政策分析、文章評價和未來預測，都屬於這一類。

這類內容不能像銀行餘額一樣直接核驗真假。例如，「某賬戶在某時間有一億美元」是確定性事實；「這個項目風險較高」是認知判斷；「這個資產未來會上漲」是預測。把這三者混在一起，是 AI 時代最危險的概念混亂之一。

認知性事實的處理方法不是核驗，而是覆核。

覆核要檢查的是：依據是否真實，概念是否清楚，推理是否跳步，邏輯是否一致，是否遺漏關鍵反例，是否把觀點偽裝成事實，是否把預測偽裝成事實，是否說明了邊界，是否允許不同意見進入討論。

這類覆核很像專家評議和研討會。一個 AI 可以生成觀點，另一個 AI 可以從反方角度挑毛病，第三個 AI 可以檢查事實依據，第四個 AI 可以檢查邏輯結構。多 AI 覆核的價值，不在於讓另一個 AI 擁有最終裁判權，而在於擴大視角、暴露漏洞、提高邏輯一致性。

這也是我們現在使用的工作方式：人提出核心判斷，AI 協助組織結構和表達，再讓其他 AI 從外部角度挑錯、質疑、補漏洞，最後仍然由人判斷哪些批評成立，哪些批評不成立。

因此，認知性事實的驗證公式是：多方覆核，加人的最終判斷。

這裏的「人」也不是抽象的人。在專業門檻很高的領域，最終覆核應當儘可能由具備責任能力和專業能力的人承擔，並可引入專家評議、對抗性討論和申訴機制。人的最終判斷權不是隨意裁決，而是在多方覆核之後，對依據、邏輯、邊界和責任作出最後確認。

AI 可以成為認知覆核工具，但不能成為最終事實來源。否則，就是用一個黑箱審查另一個黑箱。

六、觀點不是事實，預測不是事實

在 AI 時代，最容易被混淆的，是觀點和預測被包裝成事實。

觀點不是事實。

「某人發表了某個觀點」這件事本身，可以成為確定性事實。比如某專家在某年某月某日說過某句話，這可以查原文、查出處、查錄音、查上下文。但是，這個觀點的內容並不因此就成為確定性事實。一個專家說「某個資產沒有價值」，這個發言行為可以被核驗，但「這個資產沒有價值」本身仍然是認知判斷，不是確定性事實。

所以，觀點要分兩層處理：觀點的存在可以核驗，觀點的內容只能覆核。

預測也不是事實。

「某個 AI 在某個時間點做出某項預測」是可以記錄的事實；但預測內容本身不是事實。預測指向未來，而未來尚未發生。只有當未來事件真正發生之後，結果才會變成可以核驗的確定性事實。

所以，預測也要分層處理：預測行為可以記錄，預測依據可以覆核，預測結果只能等未來事實出現後再檢驗。

這個區分極其重要。AI 最擅長生成判斷、解釋和預測，但社會最需要的是可驗證事實。如果把 AI 的判斷當成事實，把 AI 的預測當成事實，機器輸出就會披上事實外衣，進而影響金融、法律、醫療、招聘、信用評分和公共決策。

因此，AI 時代的事實層不能把所有內容都當作事實處理。它必須嚴格區分：哪些是確定性事實，哪些是過程性事實，哪些是認知性事實；哪些只是觀點，哪些只是預測。

觀點和預測可以被記錄、被追蹤、被覆核，但不能直接獲得確定性事實的地位。

七、三類事實不是行業分類，而是驗證性質分類

這裏還要避免一個誤解：確定性事實、過程性事實、認知性事實，不是按行業劃分的，而是按驗證性質劃分的。

金融事實通常是確定性事實，但金融場景中也有過程性事實和認知性事實。例如 AI 做貸款審批，賬戶餘額、收入記錄、合同文件是確定性事實；AI 調用了哪些數據、經過哪些審批步驟、是否觸發人工確認，是過程性事實；AI 判斷「此人風險較高」，則是認知性事實。

同樣，醫療場景也可能同時包含三類事實。病人的化驗數據、影像記錄和用藥記錄是確定性事實；AI 輔助診斷的調用過程、醫生確認過程和系統提示過程是過程性事實；AI 或醫生形成的診斷意見、風險判斷和治療建議，則屬於認知性事實。

法律、招聘、保險、平台治理、公共服務，也都如此。

同一個事件中，三類事實往往同時存在。它們並非彼此隔絕，而是主導驗證方法不同。確定性事實以核驗為主，過程性事實以回放為主，認知性事實以覆核為主。

三類事實之間還會相互引用和轉化。一個 AI 風險判斷本身屬於認知性事實，但當這個判斷被用於貸款拒絕、平台處罰或資產處置時，後續執行過程就形成了過程性事實；如果事後發現判斷所依據的收入記錄、交易數據或身份文件有誤，問題又會回到確定性事實的核驗。分類的目的不是把世界切成互不相干的三塊，而是讓責任鏈能夠從認知判斷追溯到執行過程，再追溯到基礎事實。

這正是分類的意義。

如果不分類，就會把所有驗證都說成事實核查；如果分類清楚，就知道不同對象必須進入不同結構。