AI的意外想法，如何成为可以负责的事实陈述

公共图书馆请AI帮助设想新服务时，完全可以期待一个从未实施过的点子。但当同一个助手起草经费申请时，它不能凭空补上居民已经提出需求的证据。这两项工作可能发生在同一段对话里，第二份文件直接沿用第一份材料。最容易被忽略的变化，是一种可能性逐渐获得了事实陈述的权威。

MIT于2026年10月23日发布的访谈介绍了历史学者Benjamin Lindquist对早期AI研究者重视意外输出的考察。他的历史研究论文发表于10月19日。这段历史可以帮助我们重新考虑对系统的要求，却不能证明今天的语言模型必须编造事实才能具有创造力。研究者过去的追求，与当代模型的因果机制，是两种不同的问题。

本文讨论的是模型周围的工作安排：怎样保留发明的用途，同时管理一句生成文字何时变成需要负责的判断。如果把所有出乎意料的回答都当成缺陷，探索空间会收窄；如果把吸引人的构想当成证据，后续决策的基础就会动摇。

方案流转时，陈述的身份也在变化

设想一个虚构的图书馆规划讨论。助手建议在交通站点附近设置晚间流动阅览室。这是一项新服务构想，并非对现有项目的报道。团队可以讨论，它能否服务正常开放时间无法到馆的人，选址如何影响可达性，以及小规模试验能够回答什么问题。

假如后续草稿写成“当地轮班工作者已经要求提供这项服务”，而实际没有开展过相关咨询，文字就越过了事实边界。原来的点子仍可能值得尝试。删除无依据的陈述，不等于放弃构想，而是把需求重新写成有待调查的问题。

这种区别甚至存在于同一个段落里。方案可能同时包含现行闭馆时间、对未满足需求的假设，以及针对这一假设的创意回应。它们需要不同的处理方式：开放时间可以核对现行公告，需求需要观察或咨询，服务设计需要与替代方案比较。笼统要求模型“既有创意又准确”，没有说明这些责任分别由谁完成。

编辑过程也会带来风险。带有限定语的句子被压缩成摘要，摘要进入幻灯片，另一位同事再把幻灯片复制进申请书。没有增加任何证据，一项暂定假设却可能丢失标签。流畅的表达和多次出现，让它显得已经获得确认。因此，审阅不仅要看文字是否通顺，也要检查陈述的证据身份有没有变化。

建议更多，选择未必更宽

Doshi与Hauser发表于2024年的短篇故事实验发现，AI点子提高了个体作品的创造力评分，同时使作品之间更相似。实验情境必须保留：这是写作研究，不能直接预测所有公共服务讨论。

对这个虚构的图书馆而言，更有用的是提出一个需要检验的问题：这些方案真的不同，还是同一前提的漂亮变体？十个都预设晚间需求未被满足的方案，可能不如少数几个考察不同原因的方案有选择价值。交通、语言、知晓程度和服务内容是否相关，可能分别指向不同措施。这些只是例子中的解释方向，不是关于任何真实社区的调查结论。

团队可以先保留自己的现场观察，再请AI提供建议，随后比较二者。还可以问：看到什么证据，我们会放弃这个方案？这样既不要求每个早期点子都已经得到证明，也不把新奇本身当成筛选依据。构想成为调查的起点，下一步工作才有明确方向。

信心需要能够返回证据

生成陈述也可以接受技术检查。2023年3月15日首次提交的SelfCheckGPT研究考察了通过多次采样回答之间的不一致，检测生成传记中的无依据陈述。这类研究提示我们开展检查，而非自动接受所有通过检查的文字。

对于公开文件，即使模型多次给出相同答案，也应将其视为重复输出，而不是相互独立的原始记录。真正需要回答的，仍是可查阅的来源能否支持特定地点、特定时期的这项主张。另一座城市的试验可以提供方法参考，却不能证明这家图书馆所在社区已经存在相同需求。

这样理解，不确定性也能发挥实际作用。“暂时不知道”不必终止规划，可以指明下一步应当观察地点、咨询潜在使用者，或者开展有限试验。相反，在一份语气肯定的申请书末尾加上模糊免责声明，很难让读者知道哪些前提未经验证。限定条件应当留在它所限定的具体陈述旁边。

在影响决策的地方设一道编辑边界

一种可行的工作设计，是把探索材料与准备对外使用的文字分开，同时允许点子流动。当构想进入决策文件，其事实前提需要明确支持，假设仍应可见，预计效果在被观察到之前仍属于预期。这是本文提出的编辑安排，不是已经通过实验验证的可靠性保证。

这道边界也有成本。逐个核查所有随口提出的想法，会拖慢讨论，压缩有价值的尝试；只检查最后成稿，又可能太晚才发现数页论述依赖一个编造的前提。较合适的介入时点，是某项前提开始为选择、预算或公开承诺提供理由的时候。此时，它的身份已经会影响讨论者之外的人。

这样的流程不能回答创造力的全部哲学问题，也不能保证试验成功。但相比要求模型每一次回答都在想象力与准确性之间找到同一种平衡，它能更具体地分配责任。在图书馆这个例子里，下一份值得提交的材料，应当是一项如实说明未知之处、并提出可行调查办法的方案。意外的点子可以保留，支持它的证据仍需要另外取得。