導言：
AI 出錯以後，人們最容易說的一句話是：「AI 錯了。」
但這句話其實什麼也沒有說明。
人們為什麼會接受「AI 錯了」這種說法？因為人類不自覺地把 AI 當成了一個類似「人」的基本單位，於是停止了繼續追問。
對於 AI，必須繼續追問：AI 錯了，是基礎事實錯了，還是執行過程錯了？是模型判斷錯了，還是人類授權錯了？是數據來源有問題，還是規則設計有問題？是 AI 沒有按任務執行，還是人類把不該交給 AI 的判斷交給了 AI？
這其實是一個事件追責問題。要理解 AI 責任鏈，先要看人類社會如何對事件追責。
一個醫生誤診，不能只說「醫院錯了」。要看病歷、檢查結果、診斷過程、操作流程、醫生資質、醫院制度和患者告知。
一場交通事故，不能只說「車撞了」。要看現場事實、駕駛行為、道路規則、車輛狀態、信號燈、剎車記錄、監控視頻和因果關係。
一次財務造假，不能只說「賬錯了」。要看原始憑證、記賬過程、審批流程、審計記錄、管理責任和是否有人故意隱瞞。
一次金融風險事件，不能只說「系統出問題了」。要看授權是否有效、交易是否真實、風控是否觸發、審批是否合規、風險是否提示、責任是否越界。
總結人類社會的追責方法，本質上不是一句話歸罪，而是沿着事實、過程、規則、主體和因果關係往回追。責任不是憑情緒判斷出來的，而是通過證據鏈、行為鏈和因果鏈形成的。
AI 時代也必須如此。
如果 AI 被廣泛用於金融、醫療、法律、招聘、保險、公共服務、平台治理和企業管理，AI 出錯以後就不能停留在「模型幻覺」「系統錯誤」「算法判斷」這些籠統說法上。AI 越參與重要事務，越需要一套可追溯、可回放、可覆核、可追責的責任鏈。
這正是 AI 可驗證結構必須繼續推進的問題。
前文已經提出，AI 時代需要區分三類事實：確定性事實、過程性事實和認知性事實。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。本文要進一步說明：這三類事實不是孤立存在的，它們共同構成 AI 責任鏈的基礎。
但僅有事實分類還不夠。
事實如果只是內部記錄，仍然可能被篡改、選擇性披露、事後補寫或責任切斷。真正能支撐 AI 責任鏈的，不只是「有事實」，而是這些事實進入了可驗證架構。
AI 責任鏈的核心問題，不是讓 AI 自己承擔責任，而是通過可驗證結構找到人、機構、系統、規則和行為之間的責任關係。
AI 不是法人，沒有生命，沒有財產，不能真正接受懲罰，也無法承擔道德和法律後果。真正承擔責任的，仍然是人和機構。AI 責任鏈的意義，不是把責任推給機器，而是防止人和機構把責任藏進機器。
一、AI 責任鏈首先來自人類社會的追責方法
人類社會早已形成了大量追責方法。雖然不同領域使用的語言不同，但底層結構高度相似。
法律追責看四個問題：事實是什麼，行為是什麼，行為與後果之間有沒有因果關係，責任主體是誰。
審計追責看四個問題：憑證是否真實，賬目是否一致，流程是否合規，異常由誰造成或放任。
醫療事故追責看四個問題：診斷依據是否充分，治療過程是否合規，風險是否告知，醫生和機構是否盡到注意義務。
金融風控追責看四個問題：交易是否真實，授權是否有效，風險是否識別，審批與監督是否到位。
這些方法背後有一個共同點：追責必須分層。
第一層是基礎事實。事情是否發生？誰參與？何時發生？數據、憑證、記錄是否真實？
第二層是行為過程。人或系統做了什麼？是否按規則執行？是否有記錄？是否可以回放？
第三層是判斷與決策。基於什麼事實作出判斷？判斷是否合理？是否存在明顯忽視、濫用、誤導或越權？
第四層是責任主體。誰設計規則？誰提供數據？誰部署系統？誰授權使用？誰最終採納結果？誰從中受益？誰應該承擔後果？
這就是人類社會追責的基本邏輯：不是先找一個抽象對象背鍋，而是沿着事實、過程、判斷和主體逐層追問。
AI 責任鏈也應當從這裏開始。
二、AI 出錯不能籠統說「AI 錯了」
AI 出錯以後，如果只說「AI 錯了」，責任就會被抹平。
一個 AI 醫療輔助系統給出錯誤建議，問題可能並不在模型本身。可能是輸入的檢查數據不完整，可能是病歷信息缺失，可能是系統沒有顯示風險提示，可能是醫生過度依賴 AI，可能是醫院沒有規定覆核流程，也可能是產品設計把概率判斷包裝成確定性結論。
一個 AI 金融風控系統放過異常交易，也不能簡單說「模型錯了」。可能是交易數據被人為拆分，可能是規則閾值設計過寬，可能是歷史訓練數據存在偏差，可能是系統報警被人工忽略，可能是管理層為了業務增長壓低風控標準。
一個 AI 招聘系統拒絕某個候選人，也不能只說「算法歧視」。要看輸入數據是否準確，篩選規則是否合規，模型判斷依據是否可解釋，人工是否覆核，企業是否把 AI 建議當作最終決定。
這些例子說明：AI 出錯往往不是單點錯誤，而是事實、流程、規則、模型、人類判斷和組織責任共同作用的結果。
因此，AI 責任鏈必須回答三個基礎問題。
第一，錯在事實層嗎？也就是輸入、數據、記錄、身份、授權、交易、憑證、時間、狀態等確定性事實是否真實、完整、一致。
第二，錯在過程層嗎？也就是 AI 是否按授權範圍執行，是否調用了正確工具，是否遵守規則，是否留下過程記錄，是否出現越權、遺漏、異常或未觸發應有警報。
第三，錯在認知層嗎？也就是 AI 的分析、判斷、推理、推薦、評分、預測或結論是否合理，是否把觀點當事實，是否把概率判斷包裝成確定性結論，是否缺少人類覆核。
這三個問題，正好對應前文提出的三類事實：確定性事實、過程性事實和認知性事實。
事實分類一旦進入追責場景，就不再只是認識論分類，而變成責任結構。
三、確定性事實：責任鏈的起點
任何責任追溯都必須從確定性事實開始。
確定性事實是可以被核驗的事實。例如身份是否真實，授權是否有效，交易是否發生，資金是否到賬，文件是否提交，時間戳是否存在，記錄是否被修改，賬戶餘額是否一致，某個操作是否由某個主體發起。
在人類追責中，確定性事實相當於證據基礎。沒有證據基礎，責任判斷就會變成猜測。
AI 場景中，確定性事實更加重要。因為 AI 輸出經常給人一種「已經處理過」的錯覺。系統越複雜，人越容易忽略基礎事實是否可靠。
如果 AI 根據錯誤數據作出判斷，責任首先不能落在認知結論上，而要追問數據從哪裏來，誰提供，誰審核，誰允許進入系統。
如果 AI 根據過期規則執行任務，責任首先不能只落在模型上，而要追問規則庫由誰維護，版本是否更新，系統是否提示規則失效。
如果 AI 自動完成一筆金融操作，責任首先要核驗授權是否存在、權限是否匹配、金額是否超限、賬戶是否正確、執行時間是否可查。
所以，AI 責任鏈的第一層是事實核驗。
這一層要解決的問題是：AI 所依據的基礎事實是不是真的、全不全、有沒有被篡改、能不能被第三方覆核。
在可驗證金融中，這一層可以通過賬本記錄、哈希、引用鏈、公共信用根、鏈上鏈下一致性等方式強化。在一般 AI 場景中，也至少需要時間戳、日誌、版本記錄、數據來源、授權記錄和可審計憑證。
沒有確定性事實的核驗，後面的過程回放和認知覆核都沒有基礎。
四、過程性事實：責任鏈的主幹
確定性事實告訴我們「發生了什麼」。但責任追溯還必須知道「事情是怎樣發生的」。
這就是過程性事實。
過程性事實不是單個結果，而是任務執行中的步驟、調用、路徑、權限、規則、異常、暫停、人工介入和系統反饋。
人類社會早已重視過程記錄。審計要看流程，醫療要看病歷和操作記錄，法院要看程序是否合法，企業管理要看審批鏈，交通事故要看行車記錄、監控和現場軌跡。
AI 時代，過程記錄更重要。因為 AI 的輸出本身往往不能說明它怎樣到達結論。
一個 AI 助手給出錯誤法律建議，不能只看最後一句回答，還要看它調用了哪些資料，忽略了哪些條件，是否引用了過期法規，是否把類似案例錯誤套用到當前問題。
一個 AI 交易系統執行錯誤操作，不能只看最終損失，還要看它接收了什麼指令，經過了哪些風控判斷，是否觸發審批，是否被人工確認，是否超越授權邊界。
一個 AI 客服系統錯誤拒絕用戶申訴，不能只看拒絕結果，還要看用戶提交了哪些材料，系統如何分類，規則如何匹配，是否允許人工覆核，是否存在批量誤判。
所以，AI 責任鏈的第二層是過程回放。
過程回放不是為了記錄一堆流水賬，而是為了回答：AI 是否在正確授權、正確規則、正確範圍和正確流程內行動。
這一層至少需要記錄：任務是誰發起的，授權範圍是什麼，輸入材料是什麼，調用了哪些工具或模型，使用了哪個規則版本，中間步驟是什麼，是否出現異常，是否觸發人工覆核，最終輸出如何形成，輸出後由誰採納或執行。
如果過程不可見，責任就會斷裂。
如果過程不能回放，事後只能爭論。
如果過程沒有留痕，機構就可以把責任推給模型，模型又無法真正承擔責任。
因此，AI 可驗證執行的核心，不只是讓 AI 更安全，而是讓 AI 的執行過程能夠進入責任結構。
五、認知性事實：責任鏈中最複雜的一層
AI 最複雜的地方，不在於它執行一條明確指令，而在於它參與判斷。
總結、分析、比較、推薦、評分、診斷、預測、風險判斷、信用評估、招聘篩選、法律建議、投資建議，這些都屬於認知活動。
認知活動不同於確定性事實。一個觀點是否正確，往往不能像賬戶餘額一樣直接核驗。一個判斷是否合理，也不能完全靠哈希或時間戳證明。
但這並不意味着認知判斷不能進入責任鏈。
認知性事實的關鍵，不是把觀點本身當成確定性事實，而是把「認知結論如何形成」作為可覆核對象。
例如，AI 給出一個醫療風險判斷，責任追溯不一定要求證明這個判斷絕對正確，而是要看它依據了哪些檢查結果，採用了什麼規則，是否提示不確定性，是否建議醫生覆核，是否隱瞞了風險邊界。
AI 給出一個信用評分，責任追溯不一定只問評分高低，而是要看數據是否合規，變量是否合理，是否存在歧視性特徵，是否允許用戶申訴，是否有人類最終判斷。
AI 給出一個法律意見，責任追溯不一定只問結論是否與判決一致，而是要看引用資料是否真實，法條是否有效，推理是否跳躍，是否把可能性說成確定性，是否提示專業律師覆核。
這就是認知覆核。
認知覆核不是要求 AI 結論永遠正確，而是要求 AI 的判斷有來源、有邊界、有理由、有不確定性提示，並且在重大場景中接受人類或外部驗證 AI 的覆核。
這裏會出現一個新問題：如果由另一個 AI 來覆核第一個 AI，那麼誰又來覆核這個覆核 AI？
這個問題不能用「再找一個 AI」無限遞歸解決。真正的解決方式，是建立人機迴環和異議機制。外部驗證 AI 可以幫助發現事實錯誤、過程異常、推理漏洞和風險提示缺失，但最終驗證權仍應保留給人和責任機構。尤其在金融、醫療、法律、招聘、保險、公共服務等場景中，AI 的覆核結論不能自動成為最終責任判斷。
換句話說，外部驗證 AI 可以參與責任鏈，但不能取代責任主體。
在 AI 責任鏈中，認知性事實最容易成為責任逃逸區。因為很多機構可以說：「這只是算法建議。」但如果這個建議事實上影響了貸款、治療、招聘、保險、處罰、資產處置或公共服務，它就不能只是「建議」。
只要 AI 判斷進入現實後果，就必須進入責任鏈。
六、責任鏈不是單線，而是多主體結構
AI 責任鏈不是簡單地從 AI 追到某一個人。它往往是多主體責任結構。
至少包括幾類主體。
- 數據提供者：如果基礎數據錯誤、缺失、被污染或未經授權使用，數據提供者或數據管理者可能承擔責任。
- 模型開發者：如果模型存在已知缺陷、虛假宣傳、未披露重大限制或安全設計不足，開發者可能承擔責任。
- 系統部署者：如果機構把 AI 用在不適合的場景，或沒有設置必要監督、覆核和權限控制，部署者可能承擔責任。
- 規則制定者：如果企業或機構制定了不合理規則，讓 AI 按錯誤目標優化，責任不能推給 AI。
- 操作者：如果使用者輸入錯誤指令、忽視警告、越權操作或故意濫用 AI，操作者應承擔責任。
- 審核者：如果系統要求人工覆核，但審核者沒有履行職責，審核者也在責任鏈中。
- 決策者：如果 AI 只是建議，而人類或機構最終採納並產生後果，最終決策者不能把責任完全推給 AI。
- 受益者或管理者：如果一個機構通過 AI 降低成本、擴大業務、增加收益，也應承擔相應的治理責任，不能只享受效率而逃避後果。
這說明，AI 責任鏈不是為了尋找一個替罪羊，而是為了明確不同主體在不同環節中的責任邊界。
AI 越進入社會核心系統，越不能讓責任停留在「模型方」「平台方」「用戶方」之間互相推諉。
真正成熟的 AI 制度，必須讓責任沿着事實、過程、判斷、授權和後果逐層落地。
七、責任鏈必須建立在可驗證架構之上
沒有驗證鏈，就沒有責任鏈。
這是本文最重要的判斷。
傳統社會之所以能追責，是因為有合同、賬本、憑證、病歷、監控、審批記錄、審計報告、證人證言和法律程序。
AI 時代如果沒有對應的驗證結構，責任就會被黑箱吞掉。
但這裏必須進一步說明：驗證鏈不是簡單的日誌堆積，也不是機構內部留一份記錄就夠了。內部日誌、內部審批和內部審計都有價值，但如果關鍵事實只能由機構自己保存、自己解釋、自己選擇性披露，那麼責任鏈仍然是不完整的。
真正的 AI 責任鏈必須建立在可驗證架構之上。
所謂可驗證架構，至少包括四個原則。
第一，規則平權。AI 的授權、執行、審核、處罰、申訴和覆核規則，不能成為單方黑箱。不同參與者至少應當知道基本規則、適用範圍和救濟路徑。否則，AI 就可能變成一種無法質疑的自動化權力。
第二，三權分立。規則制定、任務執行、驗證監督不能完全由同一方壟斷。制定規則的人不能完全自我執行，自我執行的人不能完全自我證明。AI 系統越重要，越需要把規則、執行和驗證適度分離。
第三，全體系可驗證。不能只驗證結果，還要驗證輸入、授權、過程、規則、異常、覆核和責任。只看 AI 最終輸出，無法形成責任鏈；只看內部日誌，也不足以防止事後修改和選擇性解釋。真正的責任鏈必須覆蓋從任務發起到結果採納的全過程。
第四，鏈上鏈下一致性。這裏的「鏈上鏈下」不只限於區塊鏈含義，更準確地說，是現實事實與可驗證記錄之間的一致性：現實世界發生了什麼，系統記錄了什麼，外部驗證結構錨定了什麼，三者必須能夠相互對應。否則，鏈下責任可以被切斷，鏈上記錄也會失去意義。
這四項原則說明，AI 責任鏈不是單純的合規文件，而是一套制度架構。
所以，AI 責任鏈至少需要四類記錄。
第一，事實記錄。記錄輸入數據、授權信息、身份信息、時間戳、文件版本、交易狀態和基礎事實來源。
第二，過程記錄。記錄任務步驟、模型調用、工具調用、規則版本、中間輸出、異常情況和人工介入。
第三，認知記錄。記錄 AI 判斷依據、引用材料、不確定性提示、反方意見、覆核意見和人類最終判斷。
第四，授權與責任記錄。記錄誰發起任務，誰批准執行，誰覆核結果，誰採納建議，誰承擔最終決策。
其中，授權與責任記錄不是另一類獨立的「事實分類」，而是對授權、審批、採納、覆核和最終決策等行為的記錄。這些行為本身仍然屬於可以被記錄和核驗的事實，但它們在責任鏈中具有特殊意義：它們決定責任最終落到哪裏。
如果進一步引入哈希、時間戳、不可篡改記錄、外部驗證 AI、第三方審計和公共信用根，責任鏈就不只是內部記錄，而可以成為外部可驗證結構。
這就是從「內部合規」走向「外部可驗證」的關鍵差別。
內部合規只能說明機構自己說自己有流程。
外部可驗證則意味着關鍵事實、關鍵過程和關鍵責任可以被獨立覆核。
AI 時代，真正可靠的責任結構，不能只依靠機構自證，而必須走向可驗證責任鏈。
八、AI 責任鏈的目標不是限制 AI，而是讓 AI 可以被放心使用
有人可能會認為，強調責任鏈會限制 AI 發展。
這個看法是短視的。
沒有責任鏈，AI 在低風險場景中可以快速擴散，但在高風險場景中一定會遇到制度阻力。金融、醫療、法律、保險、公共服務、企業管理、資產處置等領域，不可能長期接受一個無法追責的黑箱系統。
責任鏈不是 AI 發展的障礙，而是 AI 進入關鍵領域的通行證。
一個不能追責的 AI，只能做輔助工具。
一個可以回放、覆核、審計和追責的 AI，才可能進入金融、醫療、法律和公共治理。
這與可驗證金融的邏輯是一致的。
傳統金融靠機構信用維持運行，但信任成本極高。可驗證金融不是取消金融機構，而是讓關鍵金融事實可以被驗證，從而降低信任成本、提高制度透明度。
AI 責任鏈也是如此。它不是取消 AI，也不是把 AI 關起來，而是讓 AI 的關鍵行為進入可驗證結構，使人和機構敢於使用、監管者能夠監督、用戶能夠申訴、責任能夠落地。
沒有責任鏈，AI 越強，社會越不安。
有了責任鏈，AI 越強，制度越能吸收它的能力。
九、從事實分類到責任鏈，是 AI 可驗證理論的重要推進
前文提出事實分類，是為了說明不同事實不能用同一種驗證方法。
本文進一步說明，事實分類不僅是驗證方法問題，也是責任結構問題。
確定性事實決定責任鏈有沒有基礎。
過程性事實決定責任鏈能不能回放。
認知性事實決定責任鏈能不能覆核。
授權與責任記錄決定責任最終落到誰身上。
可驗證架構決定責任鏈能不能被外部確認。
因此，AI 責任鏈可以概括為一句話：
從基礎事實開始核驗，從執行過程進行回放，從認知判斷進行覆核，最後把責任落實到人和機構，並通過可驗證架構使這一責任鏈能夠被外部確認。
這也說明，AI 時代最危險的不是 AI 會犯錯。人類社會早就知道任何系統都會犯錯。真正危險的是：AI 犯錯以後，沒有人說得清它為什麼錯、在哪裏錯、誰該負責、如何防止再次發生。
可驗證結構要解決的，正是這個問題。
AI 不應成為責任的黑洞。
AI 應當成為可以被記錄、被回放、被覆核、被追責的執行與認知系統。
人類社會接受技術創新，不是因為技術永遠不犯錯，而是因為錯誤可以被發現、被糾正、被追責、被制度吸收。
AI 也必須進入這個邏輯。
如果說前一階段的 AI 競爭主要是能力競爭，那麼下一階段的 AI 競爭一定會進入責任競爭。誰能讓 AI 更可驗證、更可回放、更可審計、更可追責，誰才可能把 AI 帶入真正重要的制度場景。
這也為下一步討論打開了方向：既然不同行業的責任鏈不同，不同行業的 AI 就不能只按模型能力分類，而應當從可驗證結構反推其設計方式。
金融 AI 需要圍繞授權、交易、賬戶、風險和審計形成責任鏈。
醫療 AI 需要圍繞病歷、檢查、診斷、治療建議和醫生覆核形成責任鏈。
法律 AI 需要圍繞事實、證據、法條、推理和律師責任形成責任鏈。
招聘 AI 需要圍繞數據來源、篩選規則、評分依據、申訴機制和最終決策形成責任鏈。
公共服務 AI 需要圍繞規則公開、程序正當、人工覆核和救濟渠道形成責任鏈。
所以，不同行業的 AI，不應只問「能做什麼」，還要問「如何被驗證、如何被追責、責任鏈在哪裏斷裂」。
這就是 AI 責任鏈的意義。
它不是一句合規口號，而是 AI 從工具走向制度基礎設施之前必須補上的結構。
沒有責任鏈，AI 只能提供答案。
有了責任鏈，AI 才能進入責任世界。
