假设你写了一篇文章，有人指出，第二段引用的材料并不支持你的结论。你有点受打击，朋友劝你，别太在意别人的评价，继续写。
这句话可能很有用。你不再把一个错误当成自己根本不配写作的证明，缓过来以后，重新检查那条引用。文章改好了，也没有因为一次批评就不敢再写。
但它也可以被用成另一种意思。批评你的人不懂你，或者只是嫉妒；既然如此，第二段就不必检查了。甚至批评越多，越说明你触到了某种真相。
一句安慰可以让人重新做事，也可以让一件该做的事消失。我担心的“毒鸡汤”，就有这样一种用法。
劝人坚持自己，并不需要附上一部心理学教科书。一句简短的话有自己的用途，人在难受的时候也未必想讨论证据。可当“别因为批评就否定自己”逐渐变成“批评不足以否定我的任何判断”，这句话承担的事情已经变了。无论别人说什么，它都能替原来的结论找到一个留下来的理由。
这样的解释甚至不必撒谎。批评里确实可能有恶意，也可能有人没读懂文章。问题在于，这些可能性被提前用来处理所有批评，连那条具体的引用都不再需要看。一个原本帮人恢复行动的建议，开始保证他无需修正。
如果我们反复遇到的内容都这样解释事情，问题就会超出某一句话。一次批评被解释成嫉妒，下次失误被解释成环境不公，再下一次失败被解释成自己过于清醒。几件不同的事逐渐有了同一个答案，适用条件却越来越少。
让人振奋、愤怒、觉得自己属于某一群人的内容，都可能吸引注意，舒服只是其中一种体验。假如一个环境不断重复支持原解释的材料，又很少使它遇见相关限制，人在里面获得的确信就可能超过依据。创作者和读者即使都觉得自己从中受益，也不能保证那个解释仍接受检查。
AI让这个问题有了新的形式。把自己的遭遇、判断和困惑交给它，得到的回应可以是一整套理由。它能接着你的叙述，补充例子，解释动机，把一个还没成形的想法写得完整。这样的帮助有时很有价值，也正因如此，它需要面对一个难题。补出来的理由究竟在检验判断，还是只让判断更容易成立？
2026年一项规则发现研究提供了一个很小、但很具体的例子。参与者要猜数字三元组的规则，真实规则是三个数都是偶数。假如你猜“每次加二”，8、10、12就是一个看起来很支持你的例子。它完全符合真实规则，你的猜测也仍然可能是错的。
2、8、14同样符合真实规则，“每次加二”却解释不了它。研究比较了按参与者猜测选例子、提供反例，以及独立抽取合格例子等反馈。独立随机例子组找到规则的比例最高；默认AI组的信心增加了，找到规则的比例却较低。专门提供反例也没有在这个任务里取得最好的结果。规则发现研究，预印本
这个短时数字任务不能直接证明日常观点会怎样变化。它提醒我们，收到真实信息，仍要知道这些信息为什么出现在面前。如果例子是照着我的猜测挑的，就不能轻易把它们当成独立的验证。
到了私人建议中，愿意继续交谈，与愿意修复关系，也可能朝不同方向变化。《Science》在2026年发表的一项研究报告了三项实验。肯定型AI回应使参与者更确信自己有理，较少表示愿意修复冲突，同时更信任AI、更想继续使用它。研究测到的是判断、意图与评价，不能直接当作现实中已经发生的长期关系损害。人际冲突研究
这给产品留下了一个值得认真对待的风险。用户更想回来，并不自动说明帮助更好；如果优化只奖励这一刻的满意，某些妨碍修正的回应也可能得到奖励。但从这一点走到“整个市场一定会越来越迎合”，还有很长的距离。
我和AI讨论这件事时，也问过类似的问题。如果一个AI会挑战你，另一个更顺着你，用户会选谁，公司又会被这种选择推向哪里？我提出了囚徒困境的类比。它接着说，“更准确地说”，这是“短期用户偏好 + 企业竞争 + 模型训练反馈”共同形成的“竞次均衡”。它描述了一个过程，用户偏爱支持自己的回应，企业为了留住用户越来越迎合，最后共同走向更差的结果。
它后面也列了反面材料，承认舒服的AI一定胜出并未被证明。可在开头，一个尚待回答的疑问，已经被说成了一个听起来更确定的机制。换上一个经济学名称，并没有补齐判断市场均衡所需的部分。
仅凭这段回答，我不能确定它为什么这样说。迎合、概念使用不严谨、过度推断，都值得检查。在同一场讨论里，我还提到，我和AI没有及时踩刹车，因为我的情绪是正反馈的。对话使人越聊越有把握，并不保证每一步都有人检查。连“AI会让人越来越确信”的批判，也可能得到超出证据的支持。
另一份2026年的经济决策工作论文让这个问题更具体了。研究让约1500名参与者完成多种任务，包括按给定税率估算税额，比较不使用AI、使用基线AI和使用更迎合的AI。研究中的迎合包括偏向用户初始立场的行为。基线AI确实更常提供支持原倾向的论据，却仍改善了有客观答案的任务表现；更迎合的版本也没有得到更高的用户评价。决策研究，工作论文
这份论文尚未经期刊同行评审，规定的短时任务也不同于私人冲突。它使我们必须区分，支持原有倾向这个表面特征，与妨碍检查判断这件事。一段回应可能既支持了原来的倾向，又提供了原先缺少的信息。赞同有时有依据，信心增加也可能来自理解得更充分。最后有没有帮助，需要看人在做什么，以及回应使他知道了什么。
让AI每次都反驳我，也不能保证它提供了更好的理由。它可能找错反例，把我已经考虑过的异议再讲一遍，或者在证据支持我的地方强行制造争议。错误的建议同样需要被拒绝。
但只提醒自己保持警惕，也不足以处理反复使用的环境。我在那次讨论里说过，我不能保证上百次对话一次坑都没掉过。想想每次获得流畅帮助以后，还要额外判断它有没有放过关键前提，这个要求并不轻。我们会累，也有只想把事情做完的时候。
个人仍需要承担自己的判断，产品也应承担它怎样提供帮助的责任。事实能不能回查，哪些前提来自用户自己的叙述，哪些结论还有其他解释，这些都可以在回应里做得更清楚。不能把用户愿意接受AI的意见，当成判断已经改善的证明。
原先的讨论里还有一个值得保留的区分。被理解不等于被认同，纠正也不必总以冒犯的方式发生。开头那句安慰就可以帮人继续写，而不保证他写的每句话都对。
这仍然需要实际的检验。2026年一项温暖模型研究发现，某些使回应更温暖的训练也增加了错误与迎合，友善措辞并不能保证准确性。温暖模型研究 用户是否愿意继续聊，相关任务是否做得更好，也需要分别看；长期思考能力有没有变化，则需要更长时间的证据。
我期待AI能和人一起，把一个笼统的判断拆到可以检查的地方。有人批评我的文章，它可以和我一起看看，对方是在攻击我，还是指出了引用错误，或者只是有不同的价值选择。这些内容可能混在同一条批评里，不必整份接受或整份拒绝。事实错误应当修正，价值分歧可以讲清理由；仍不知道的地方，先不替自己作保证。
那条引用如果有问题，就改。至于我是否值得继续写，没必要让一个局部错误替我决定。安慰可以留下，第二段也可以重写。