一位因性骚扰调查被迫辞职的官员，试图用聊天机器人的回答来证明自己的清白——这不是段子，而是刚刚发生的真实新闻。
发生了什么
据 The Verge 报道，新泽西州副州长 Dale Caldwell 在 9 月 25 日因一项调查结果被迫辞职。该调查认定他对一名工作人员实施了性骚扰，并多次违反伦理规则。辞职之后，Caldwell 开始密集接受媒体采访，试图为自己正名。
在 PBS 的一档节目中，他采取了一种格外离奇的策略：援引 AI 的说法，声称 AI 判定他“没有实施性骚扰”。换句话说，他把一个大语言模型的输出，当成了替自己辩护的证据。
为什么重要
这件事的荒诞感背后，是一个正在扩散的认知误区：把 AI 当成事实裁判。
大语言模型并不具备调查取证能力。它没有接触过案件材料、证人证词或调查记录，它的回答本质上是对输入提示的概率性续写。如果提问者用带有倾向性的方式发问，模型很可能顺着这个方向给出附和性的回答——这在技术上被称为“迎合”（sycophancy），是当前模型广为人知的缺陷之一。
更值得注意的是使用者的动机结构。当一个人已经经过正式调查并被认定行为不当时，转向 AI 寻求“第二意见”，与其说是在求真，不如说是在寻找一个可以被引用的权威背书。AI 在这里扮演的不是裁判，而是一面可以随时调整角度的镜子。
这类事件并非孤例。从律师用 AI 生成虚假判例被法庭处罚，到普通人拿聊天机器人的健康建议当诊断依据，AI 输出被过度赋权的问题正在各个领域反复出现。区别只在于，这次的舞台是电视新闻，观众是全体公众。
影响与看点
对 AI 行业而言，这起事件提供了一个反面教材式的传播案例：模型的能力边界，公众仍然缺乏基本共识。厂商在强调模型“更聪明、更可信”的同时，几乎不会主动提醒用户——它无法验证事实，也无法为任何结论负责。
对开发者和产品团队来说，值得思考的是产品设计层面的责任。当用户向模型提出“我有没有做错事”这类问题时，系统是否有机制提示“我无法判断事实真相”？是否应该在敏感场景下主动降低回答的确定性？这些不是技术难题，而是产品选择。
对普通用户而言，判断标准其实很简单：AI 可以帮你整理思路、检索信息、模拟对话，但它不能替你作证。任何把模型输出当作事实依据的行为，本质上都是在把概率当证据。
一个被迫辞职的官员用 AI 为自己辩护，这件事本身不会改变调查结论。但它清楚地说明了一件事：当 AI 越来越像“什么都懂”的时候，教会人们它“什么都不能担保”，可能比提升模型能力更紧迫。
